换一批CNN-RxLSTM:基于混合时空卷积和残差xLSTM的EEG情绪识别网络
CNN-RxLSTM:EEG Emotion Recognition Network Based on Hybrid Convolution and Residual xLSTM
摘要针对基于脑电图(Electroencephalogram,EEG)的情绪识别方法在特征提取不足和时空依赖建模的局限性,本研究提出一种基于混合时空卷积神经网络(Convolutional Neural Network,CNN)和残差扩展型长短时记忆网络(Residual Extended Long Short-Term Memory,RxLSTM)的EEG情绪识别模型CNN-RxLSTM.该模型首先使用CNN提取EEG信号的局部时空特征,然后引入xLSTM模块通过双向信息流处理和残差连接机制建模信号的全局时空依赖,最后通过分类器模块完成分类.为验证模型的有效性,分别在SEED数据集和DEAP数据集上进行实验.结果表明,在SEED数据集上,CNN-RxLSTM 模型的分类准确率为98.15%;在DEAP数据集上,其效价分类准确率和唤醒分类准确率分别为94.60%和95.89%.研究结果验证了该模型在EEG情绪识别中的卓越性能,可为情绪解码和其他EEG相关研究提供新的解决方案.
更多相关知识
关键词
情绪识别脑电图卷积神经网络扩展型长短时记忆网络残差机制emotion recognitionElectroencephalogram(EEG)Convolutional Neural Network(CNN)Ex-tended Long Short-Term Memory Network(xLSTM)residual mechanism
栏目名称
DOI
10.13657/j.cnki.gxkxyxb.20250429.003
发布时间
2025-05-16（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（62067007）
广西学位与研究生教改课题（JGY2023236）
- 浏览0
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
