De senaste framstegen inom maskininlärning har möjliggjort utveckling av tekniker för att upptäcka och känna igen mänskliga känslor. Några av dessa tekniker fungerar genom att analysera elektroencefalografiska (EEG) signaler, som i huvudsak är inspelningar av den elektriska aktiviteten i hjärnan som samlats in från en persons hårbotten.

De flesta EEG-baserade känsloklassificeringsmetoder som introducerats under det senaste decenniet eller så använder traditionella maskininlärningstekniker (MLM-modeller), eftersom dessa modeller kräver färre träningsprover och det fortfarande saknas storskaliga EEG-datamängder. Nyligen, dock, forskare har sammanställt och släppt flera nya datamängder som innehåller EEG -hjärninspelningar.

Utgivningen av dessa datamängder öppnar spännande nya möjligheter för EEG-baserat känslomässigt igenkänning, eftersom de kan användas för att träna djupinlärningsmodeller som uppnår bättre prestanda än traditionella ML-tekniker. Tyvärr, dock, den låga upplösningen av EEG-signaler som finns i dessa datamängder kan göra träning av djupinlärningsmodeller ganska svårt.

"Problem med låg upplösning är fortfarande ett problem för EEG-baserad känsloklassificering, "Sunhee Hwang, en av forskarna som genomförde studien, berättade TechXplore. "Vi har kommit på en idé för att lösa detta problem, vilket innebär att generera högupplösta EEG-bilder. "

För att förbättra upplösningen av tillgängliga EEG -data, Hwang och hennes kollegor genererade först så kallade "topologi-bevarande differentiella entropifunktioner" med hjälp av elektrodkoordinaterna vid den tidpunkt då data samlades in. Senare, de utvecklade ett konvolutionellt neuralt nätverk (CNN) och utbildade det i uppdaterade data, lära den att uppskatta tre allmänna klasser av känslor (dvs. positiv, neutral och negativ).

"Tidigare metoder tenderar att ignorera topologiinformation för EEG -funktioner, men vår metod förbättrar EEG-representationen genom att lära oss de genererade högupplösta EEG-bilderna, "Hwang sa." Vår metod omklusterar EEG-funktionerna via det föreslagna CNN, vilket möjliggör effekten av kluster för att uppnå en bättre representation. "

Forskarna utbildade och utvärderade sitt tillvägagångssätt på SEED -datauppsättningen, som innehåller 62-kanals EEG-signaler. De fann att deras metod kunde klassificera känslor med en anmärkningsvärd genomsnittlig noggrannhet på 90,41 procent, överträffar andra tekniker för maskininlärning för EEG-baserade känslomässiga igenkänningar.

"Om EEG -signalerna spelas in från olika känslomässiga klipp, de ursprungliga DE -funktionerna kan inte grupperas, "Tillade Hwang." Vi tillämpade också vår metod på uppgiften att uppskatta en förares vaksamhet för att visa dess tillgänglighet på hyllan. "

I framtiden, den metod som föreslagits av Hwang och hennes kollegor kan informera utvecklingen av nya EEG-baserade verktyg för att känna igen känslor, eftersom den introducerar en livskraftig lösning för att övervinna de problem som är förknippade med EEG-data med låg upplösning. Samma tillvägagångssätt kan också tillämpas på andra djupinlärningsmodeller för analys av EEG-data, även de som är utformade för något annat än att klassificera mänskliga känslor.

"För datorvisionsuppgifter, storskaliga datamängder möjliggjorde den enorma framgången för djupinlärningsmodeller för bildklassificering, varav några har nått bortom mänskliga prestationer, "Sa Hwang." Också, komplex dataförbehandling är inte längre nödvändig. I vårt framtida arbete, Vi hoppas kunna generera storskaliga EEG-datamängder med hjälp av ett genererat kontradiktoriskt nätverk (GAN). "

© 2019 Science X Network