基于并行可分离卷积和标签平滑正则化的脑电情感识别

摘要

近年来,基于深度学习和脑电图(EEG)的情感识别方法取得了较好的效果。然而,现有方法依然存在脑电情感特征提取不够全面、受人工错误标注的情感标签影响较大等问题。对此,提出了并行可分离卷积和标签平滑正则化(PSC-LSR)网络模型。首先,通过注意力机制,赋予EEG重要时间点和重要通道更大的权重,得到EEG的浅层情感特征;其次,采用并行可分离卷积模块全面提取EEG情感信息,得到深层情感特征;最后,在优化模型参数时采用了情感标签平滑正则化方法,使模型对错误标签有更大的容错概率,增强了网络模型的泛化性和鲁棒性,提高了脑电情感识别的准确率。提出的方法在两个数据集进行了验证,其中,在DEAP数据集中,唤醒和效价两个维度的平均准确率分别达到了99.23%和99.13%;在Dreamer数据集中,唤醒和效价两个维度的平均准确率分别达到了97.33%和97.25%。