糖类组学与脂质组学杂志
开放获取

抽象的

情绪识别的认知模型：逆向大数据问题和深度学习

罗曼·坦克列维奇

这项研究涉及基于实时人类脑电波（EEG）收集的认知建模和情绪识别。在本次演讲中，我们介绍了我们所知的研究领域的现状，并讨论了我们研究中考虑的两阶段建模方法。原始时间脑电图数据是从执行一组给定任务的人类身上收集的。使用标准信号处理技术以及一些更具体的方法（例如相关分析、小波分析和分形分析）对数据进行分析。EEG电极位于美国脑电协会标准指定的头皮区域（在我们研究的实验部分，我们使用Emotiv无线耳机，根据标准放置14个电极）。收集到的与人类受试者不同认知状态和情绪反应相对应的脑电图数据用于喂养监督学习模型。该研究依赖于不同深度级别的深度学习模型。任务是确定学习过程中最有效的参数，以便可靠地识别这些被认为是基本的情绪，如愤怒、厌恶、恐惧、快乐、悲伤和惊讶及其衍生物：娱乐、蔑视、满足、尴尬、兴奋、内疚、成就自豪感、宽慰、满意、感官愉悦和羞耻。脑电电位间接反映了人类认知和情感活动引起的大脑神经元信号的空间分布。我们建议，与表面颅骨信息相比，有关此类局部（基于体素）数据的信息将是深度学习模型更好的输入，因为它应该提供更大的监督学习维度。因此，引入了两阶段模型：第一阶段涉及需要大数据表示的大规模逆问题的解决方案，而第二阶段使用深度学习模型，第一阶段的输出作为输入。假设模型具有给定数量的颅骨测量值和通过均匀细分大脑体积获得的多个体素，任务是找到局部电流的密度作为逆问题的解。称为 LORETA 的方法被认为对于解决反问题很有用。我们致力于人类情感识别的一些具体应用，例如脑机接口（BCI）以及教育材料和演示文稿的评估。将介绍迄今为止所获得的方法和结果。