| 基于1D-CNN-LSTM-SVM模型的脑电情绪识别研究 |
| |
| 引用本文： | 姜丽杰,秦迎梅,韩春晓.基于1D-CNN-LSTM-SVM模型的脑电情绪识别研究[J].天津职业技术师范大学学报,2023(4):1-7+85. |
| |
| 作者姓名： | 姜丽杰 秦迎梅 韩春晓 |
| |
| 作者单位： | 1. 天津职业技术师范大学自动化与电气工程学院;2. 天津市信息传感与智能控制重点实验室 |
| |
| 基金项目： | 天津市教委科研计划项目（2022KJ114）； |
| |
| 摘 要： | 针对情绪识别方法存在特征信息提取不完备和分类模型自适应能力差等问题，提出一种基于一维信息的卷积神经网络（convolutional neural networks,CNN）、长短时记忆神经网络（long short-term memory,LSTM）和支持向量机（support vector machine,SVM）组合模型用于脑电信号（electroencephalogram,EEG）情绪分类。首先，将预处理后的脑电信号输入到1D-CNN-LSTM模型中进行深度特征提取；然后，将输出的多通道融合情感特征输入SVM而不是传统的Softmax进行分类；最后，在脑电情感数据集DEAP上进行情感识别验证，即在唤醒度-效价平面对高效价高唤醒度（HVHA）、高效价低唤醒度（HVLA）、低效价高唤醒度（LVHA）和低效价低唤醒度（LVLA）4个情绪区域进行分类。实验结果表明：1D-CNN-LSTM-SVM的平均准确率优于单独使用CNN算法或1D-CNN-LSTM，情绪识别准确率可达98.20%。该组合模型在执行情绪分类任务时具有良好的鲁棒性，验证了文中提出方法的可行性和有效性。
|
| 关 键 词： | 脑电信号 卷积神经网络 长短期记忆神经网络 支持向量机 情绪识别 |
|
|
