融合多尺度特征的脑电情感识别研究

基于单尺度二维、三维卷积的脑电情感识别算法存在原始信号映射到高维特征矩阵过程中信息易丢失、模型参数量大、提取特征相对单一等问题。提出多尺度金字塔交互注意力残差网络（MPIAResnet）。利用多尺度一维卷积核直接提取原始脑电信号的多尺度空间特征，将标准卷积替换为分组卷积，相比二维、三维卷积具有更少的参数量，同时利用通道交互注意力机制优化特征提取过程。在此基础上，与双向GRU(BiGRU)融合组成MPIAResnetBiGRU网络，进一步提取脑电信号的上下文语义信息，实现脑电信号的时空特征融合。基于公开数据集DEAP的实验结果表明:在受试者依赖实验中，该模型Valence和Arousal维度识别准确率达到97.60%和98.15%，相比单尺度模型提升8.56和8.36个百分点；在小批量训练集实验中，当训练集占比为30%时，测试集准确率依然可以保持在90%以上；在分频带实验中，2个高频带信号识别准确率优于低频带信号，证明了模型的有效性；而在受试者全部参与实验中，该模型的识别准确率也均优于对比方法。