Optimización de redes residuales y VGG para la clasificación de señales EEG: Identificación de canales ideales para el reconocimiento de emociones
Autores: Kit Hwa, Cheah; Humaira, Nisar; Vooi Voon, Yap; Chen-Yi, Lee; G. R., Sinha
Idioma: Inglés
Editor: Hindawi
Año: 2021
Disponible con Suscripción Virtualpro
Artículos
Categoría
Ingeniería y Tecnología
Licencia
Atribución – Compartir igual
Consultas: 11
Citaciones: Sin citaciones
La emoción es un aspecto crucial de la salud humana, y los sistemas de reconocimiento de emociones desempeñan un papel importante en el desarrollo de aplicaciones de neurofeedback. La mayoría de los métodos de reconocimiento de emociones propuestos en investigaciones anteriores toman características predefinidas del EEG como entrada para los algoritmos de clasificación. Este trabajo investiga el método menos estudiado de utilizar señales EEG simples como entrada del clasificador, con las redes residuales (ResNet) como clasificador de interés. ResNet, que ha destacado en la extracción jerárquica automatizada de características en dominios de datos brutos con un gran número de muestras (por ejemplo, procesamiento de imágenes), es potencialmente prometedor en el futuro, ya que la cantidad de bases de datos de EEG disponibles públicamente ha ido en aumento. La arquitectura de la ResNet original diseñada para el procesamiento de imágenes se ha reestructurado para obtener un rendimiento óptimo en señales de EEG. Se demuestra que la disposición de la dimensión del núcleo convolucional afecta en gran medida al rendimiento del modelo en el procesamiento de señales de EEG. El estudio se ha llevado a cabo con el conjunto de datos de EEG de emociones de la Universidad Jiao Tong de Shanghái (SEED), y la arquitectura ResNet18 propuesta ha obtenido una precisión del 93,42% en la clasificación de emociones de tres clases.
en la clasificación de emociones de 3 clases, en comparación con la ResNet18 original, que obtuvo una precisión del 87,06%.
de ResNet18. Nuestra arquitectura ResNet18 propuesta también ha logrado una reducción de los parámetros del modelo del 52,22 con respecto a la ResNet18 original. También hemos comparado la importancia de distintos subconjuntos de canales de EEG de un total de 62 canales para el reconocimiento de emociones. Los canales situados cerca del polo anterior de los lóbulos temporales parecían ser los más relevantes desde el punto de vista emocional. Esto coincide con la ubicación de estructuras cerebrales de procesamiento de emociones como el córtex insular y la amígdala.
Descripción
La emoción es un aspecto crucial de la salud humana, y los sistemas de reconocimiento de emociones desempeñan un papel importante en el desarrollo de aplicaciones de neurofeedback. La mayoría de los métodos de reconocimiento de emociones propuestos en investigaciones anteriores toman características predefinidas del EEG como entrada para los algoritmos de clasificación. Este trabajo investiga el método menos estudiado de utilizar señales EEG simples como entrada del clasificador, con las redes residuales (ResNet) como clasificador de interés. ResNet, que ha destacado en la extracción jerárquica automatizada de características en dominios de datos brutos con un gran número de muestras (por ejemplo, procesamiento de imágenes), es potencialmente prometedor en el futuro, ya que la cantidad de bases de datos de EEG disponibles públicamente ha ido en aumento. La arquitectura de la ResNet original diseñada para el procesamiento de imágenes se ha reestructurado para obtener un rendimiento óptimo en señales de EEG. Se demuestra que la disposición de la dimensión del núcleo convolucional afecta en gran medida al rendimiento del modelo en el procesamiento de señales de EEG. El estudio se ha llevado a cabo con el conjunto de datos de EEG de emociones de la Universidad Jiao Tong de Shanghái (SEED), y la arquitectura ResNet18 propuesta ha obtenido una precisión del 93,42% en la clasificación de emociones de tres clases.
en la clasificación de emociones de 3 clases, en comparación con la ResNet18 original, que obtuvo una precisión del 87,06%.
de ResNet18. Nuestra arquitectura ResNet18 propuesta también ha logrado una reducción de los parámetros del modelo del 52,22 con respecto a la ResNet18 original. También hemos comparado la importancia de distintos subconjuntos de canales de EEG de un total de 62 canales para el reconocimiento de emociones. Los canales situados cerca del polo anterior de los lóbulos temporales parecían ser los más relevantes desde el punto de vista emocional. Esto coincide con la ubicación de estructuras cerebrales de procesamiento de emociones como el córtex insular y la amígdala.