基于深度森林的脑电情绪识别研究

摘要

为了改善传统脑电情绪识别方法需要对脑电信号进行深入了解,且需要人工提取相关特征的缺点,基于深度森林的表征学习能力对脑电样本的时域与频域数据进行自动特征提取,并融合32通道脑电信号的时域特征向量和频域特征向量,通过级联森林对特征作进一步学习.实验结果表明,该方法对效价二分类预测的准确率达到68.4％,查准率达到66.3％,查全率达到89.9％,F1分数达到76.3％;对唤醒度二分类预测的准确率达到68.2％,查准率达到65.8％,查全率达到91.2％,F1分数达到76.4％.通过与DEAP数据集使用EEG信号给出的二分类实验结果进行对比,基于深度森林的脑电情绪识别方法对未知样本的识别准确率高于DEAP的结果.