基于双流结构缩放和多重注意力机制的轻量级脑电情感识别方法

摘要：

脑电情感识别是一个复杂程度高、信息密度大、海量数据的多通道时序信号分类问题.为在保持现有分类精度的情况下减少计算参数量,实现脑电情感识别的精度与性能最优,提出了一种基于双流结构缩放和多重注意力机制的轻量级网络(LDM-EEG).该网络以基于脑电信号的微分熵特征构造的时域-空域图谱和频域-空域图谱作为输入,采用对称的双流结构对上述两种特征分别处理,通过节约参数的新型残差模块和网络缩放机制来实现轻量化,并利用新型的通道-时/频-空多重注意力机制和后注意力机制提升模型特征聚合能力.实验结果表明,在参数量明显减小的情况下,模型在SEED数据集上实现了95.18％的准确率,达到了领域的最优结果.进一步地,在略低于现有模型准确率的基础上,其将参数量缩减了98％.

关键词：脑电情感识别、时频双流、多重注意力、轻量级、结构缩放、可计算情感

所属期刊栏目：50

分类号：TP183(自动化基础理论)

在线出版日期：2023-09-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：229-237