集成深度学习模型在EEG情感识别中的多域特征融合研究

"晁浩,刘永利,连卫芳.EEG情感识别中基于集成深度学习模型的多分析域特征融合[J].控制与决策,2020,35(7):1674-1680." 在EEG情感识别的研究领域，本文提出了一种创新的方法，该方法利用集成深度学习模型对多分析域（时域、频域和时频域）的特征进行融合，从而提高情感状态检测的准确性。这个技术主要针对多通道脑电（EEG）信号，其目标是通过解析脑电信号来识别人的情绪状态。 首先，研究者从原始的EEG信号中提取四种关键特征，这些特征被认为在表征情绪状态方面具有显著作用。这四个特征可能包括但不限于功率谱密度、自相关函数、小波变换系数以及基于短时傅里叶变换的时频特征。这些特征分别反映了信号在不同时间尺度和频率范围内的动态变化。 接下来，为了进一步提取这些特征的高层次抽象表示，研究者采用了改进的深度信念网络（DBN），即胶质细胞链。胶质细胞链设计的灵感来源于生物神经系统的结构，它能有效地捕捉不同EEG通道间的相关性信息。这种模型通过多层无监督学习逐步学习到隐藏层的高级特征，增强了特征表达的能力。 随后，为了整合来自不同分析域的特征，研究人员利用了判别式受限玻尔兹曼机（DRBM）。DRBM是一种有监督的生成模型，它能学习输入特征之间的联合概率分布，并在分类任务中进行特征的融合。在这个过程中，DRBM将胶质细胞链学习到的高层特征结合，以便于情感状态的预测。 在DEAP数据集上的实验结果显示，这种方法能够有效地集成不同分析域的信息，并且在情感识别任务上表现出色。DEAP数据集是一个广泛用于情绪识别研究的公开EEG数据库，包含了多个参与者的多种情绪反应。实验结果证明，提出的集成深度学习模型优于单一分析域的方法，证实了多分析域特征融合对于提升情感识别性能的重要性。 此外，文章还提到了其他相关研究，如基于双金字塔特征融合网络的RGB-D多类实例分割、多模态特征深度融合的微博流事件检测与跟踪、深度去噪核映射的长期预测模型以及基于免疫堆叠降噪自编码机网络的运动想象脑电信号识别等。这些研究都展示了深度学习在不同领域的强大应用潜力，尤其是在复杂数据的处理和特征学习方面。 本文的贡献在于提出了一种新颖的集成深度学习模型，该模型能够有效地融合多分析域的EEG特征，提高了情感识别的准确性和鲁棒性。这种方法对于理解和利用脑电数据以解决实际情感识别问题具有重要的理论和实践价值。