摘要: 情感是人类对客观事物的态度和反应，也是人脑的高级功能，能够反应人的性格特点和情绪特征。情感识别在心理健康等研究领域有着重要的作用。脑电信号(Electroencephalogram,EEG)是人脑中枢神经系统的一种生理信号，能够客观地、准确地反应人的情绪状... 展开 情感是人类对客观事物的态度和反应，也是人脑的高级功能，能够反应人的性格特点和情绪特征。情感识别在心理健康等研究领域有着重要的作用。脑电信号(Electroencephalogram,EEG)是人脑中枢神经系统的一种生理信号，能够客观地、准确地反应人的情绪状态。相比于其他生理信号，EEG信号具有不受外界干扰且难以掩饰的特点，能够更好的呈现人的情绪。因此，近年来研究人员将EEG广泛的应用于情感识别领域。研究人员通过对脑电信号进行分析和处理，提取脑电信号中具有代表性的特征，进行情感识别研究。然而，现有研究中的深度模型还存在一些问题，例如：在特征提取时，忽略脑电通道之间的相关性、提取的特征不够全面和准确等。针对上述问题，本文提出了两种基于注意力机制的脑电信号情感识别模型来提高EEG情绪分类效果，主要研究内容如下： (1)提出了一种基于图卷积网络(GraphConvolutionalNetwork,GCN)的情感识别模型。该模型使用标准化互信息熵计算通道之间的相关性，进而构造特征图；接着，使用GCN对其进行特征提取，并引入通道注意力机制，形成最终的特征向量；最后，使用深度模型进行情感分类。实验结果表明，该模型在两个公共数据集上的准确率高于其他模型，表明该模型在情感识别方面具有较好的性能。 (2)提出了一种基于Transformer和长短时记忆网络(Long-ShortTermMemory,LSTM)的情感识别模型。该模型以Transformer模型作为基础，对Transformer模型中的注意力机制和前馈网络进行了改进。通过使用改进的Transformer和LSTM提取脑电数据的频域特征和时域特征，提高了脑电特征提取的全面性，进而增加模型分类的准确率。提出的模型在SEED和SEED-Ⅳ数据集中进行了实验，以此来评估所提出模型的性能。结果表明，本文所提出的模型在两个数据集上分别达到了93.31%和80.56%的准确率。 收起