6.情绪分类RCNN

论文名称	EEG-based emotion recognition using random Convolutional Neural Networks
期刊	Engineering Applications of Artificial Intelligence 7.802/Q1
方法	…
结论	…
评价	…

传统的基于脑电图的方法通常是先提取时域和频域特征再进行分类。卷积神经网络(CNN)使我们能够提取特征并对它们进行端到端分类。然而，大多数CNN方法使用反向传播来训练模型，这在计算上很昂贵，主要是在使用复杂模型时。受随机向量函数链接和卷积随机向量函数链接成功的启发，我们建议使用随机CNN模型进行情感识别，从而消除对反向传播方法的需求。此外，我们将随机CNN方法扩展到深度和集成版本，以提高情绪识别性能。我们在常用的公开情绪分析数据库上使用生理信号(DEAP)数据集进行实验，以评估我们的随机CNN模型。DEAP数据集的结果表明，我们的模型优于所有其他模型，所有主题的准确率至少为95%。我们的整体版本优于我们的浅版本，在大多数科目中胜出。

利用脑电图信号进行情绪识别的方法很多，但大多数方法都涉及对其进行分类前提取时域和频域特征。针对脑电图方法提出的卷积神经网络使用反向传播方法进行训练，这可能是计算昂贵的，特别是对于具有许多特征的复杂模型。使用脑电图信号的随机神经网络还有待探索。最后，关于卷积RVFL的广泛研究还有待探索。

• 因此，我们提出了一种随机卷积神经网络(CNN)用于EEG信号的情绪识别。此外，我们将随机CNN模型扩展为深度和集成版本，以了解如何进一步提高性能。以下是本工作的主要贡献:

• 这项工作探索了使用脑电图信号进行情绪识别的随机卷积神经网络。主要目的是开发有效的情感识别，但需要较少的计算资源来训练模型。

• 我们探索了将随机CNN扩展到集成和深度版本的效果，集成深度随机卷积神经网络。更深层次可以帮助从脑电图信号中提取更高级的特征。我们的模型还通过使用多个输出层并平均其输出来获得集成的好处。

• 我们在常用的公开DEAP数据集上广泛测试了我们的算法。所提出的算法优于其他最先进的方法。