基于多通道帧级筛选的LSTM网络脑电情感识别

针对当前脑电(EEG)情感识别技术常受冗余信号干扰的问题,提出了基于多通道帧级筛选长短时记忆网络模型(multi-channel fame-level filtered long short-term memory, MCFL-LSTM)。设计了“多头门控”模块,该模块以拼接的32个通道特征片段作为输入,通过多头机制,即采用多个门控单元获取单通道的帧级片段的特征权重,筛选出单通道中重要特征,减少冗余和无意义特征片段的影响。在帧级特征提取后,将维度变换后的32个通道输入门控单元进行通道级筛选,从而获取与当前情感刺激最相关通道,提升模型特征提取能力,增强了识别性能。实验结果表明,方法在DEAP数据集上4个二元分类评估分别达到了87.21%、82.26%、82.98%和87.53%的平均准确度,证明了模型的有效性和鲁棒性。