投稿网址:www.stae.com.cn2023年第23卷第24期2023,23(24):10437-08科学技术与工程ScienceTechnologyandEngineeringISSN1671—1815CN11—4688/T收稿日期:2022-11-12修订日期:2023-05-30基金项目:广东省自然科学基金(2016A030313706)第一作者:张英杰(1999—),男,汉族,安徽宿州人,硕士研究生。研究方向:深度学习、脑电情感识别。E-mail:1329866424@qq.com。∗通信作者:谢云(1964—),女,汉族,江西南昌人,博士,教授。研究方向:信息与通信技术、脑机接口技术。E-mail:xieyun@gdut.edu.cn。引用格式:张英杰,谢云.基于CNN-LSTM的脑电情感四分类研究[J].科学技术与工程,2023,23(24):10437-10444.ZhangYing-jie,XieYun.FourclassificationofEEGemotionbasedonCNN-LSTM[J].ScienceTechnologyandEngineering,2023,23(24):10437-10444.基于CNN-LSTM的脑电情感四分类研究张英杰,谢云∗(广东工业大学自动化学院,广州510000)摘要为深入研究脑电信号(electroencephalogram,EEG)时空特征之间的关联,解决因手动提取特征导致的脑电情感识别准确率较低问题。将卷积神经网络(convolutionalneuralnetwork,CNN)和长短时记忆网络(longshort-termmemory,LSTM)相结合,构造出了CNN-LSTM模型。首先,提取了5个频段的5个不同特征:功率谱密度(PSD)、差分熵(DE)、差分不对称(DASM)、理性不对称(RASM)和差分熵差分(DCAU)。其次,将特征输入CNN-LSTM模型,在DEAP数据集中的效价和唤醒两种情感维度上展开四分类实验。最后,将堆栈自编密码器(SAE),卷积稀疏自编码器(CSAE),深度置信网络(depthconfi-dencenetwork,DBN)分别与LSTM组合,构造SAE-LSTM,CSAE-LSTM,DBN-LSTM3种混合模型同CNN-LSTM进行分类准确率比较。实验结果表明:DE特征的分类识别效果在5种特征中占最优,β和γ频段上所有特征的识别准确率远高于其他频段,尤其是γ频段。CNN-LSTM模型获得了最高的平均分类准确率92.48%,充分证明了CNN-LSTM模型的有效性。关键词脑电信号(EEG);情感识别;卷积神经网络(CNN);长短时记忆网络(LSTM);混合神经网络;深度学习中图法分类号TP391;文献标志码AFourClassificationofEEGEmotionBasedonCNN-LSTMZHANGYing-jie,XIEYun∗(AutomationCollege,GuangdongUniversityofTechnology,Guangzhou510000,China)[Abstract]Inordertodeeplystudythecorrelationbetweenspace-timefeaturesofelectroencephalogram(EEG)signalsandsolvetheproblemoflowaccuracyofEEGemotionrecognitioncausedbymanualfeatureextracti...
