检索结果

Select

1. 基于多尺度卷积和自注意力特征融合的多模态情感识别方法

陈田, 蔡从虎, 袁晓辉, 罗蓓蓓

《计算机应用》唯一官方网站 2024, 44 (2): 369-376. DOI: 10.11772/j.issn.1001-9081.2023020185

摘要（203）

HTML （15）

PDF （2138KB）（189）

基于生理信号的情感识别受噪声等因素影响，存在准确率低和跨个体泛化能力弱的问题。对此，提出一种基于脑电（EEG）、心电（ECG）和眼动信号的多模态情感识别方法。首先，对生理信号进行多尺度卷积，获取更高维度的信号特征并减少参数量；其次，在多模态信号特征的融合中使用自注意力机制，以提升关键特征的权重并减少模态之间的特征干扰；最后，使用双向长短期记忆（Bi-LSTM）网络提取融合特征的时序信息并进行分类。实验结果表明，所提方法在效价、唤醒度和效价/唤醒度四分类任务上分别取得90.29%、91.38%和83.53%的识别准确率，相较于脑电单模态和脑电/心电双模态方法，准确率上提升了3.46~7.11和0.92~3.15个百分点。所提方法能够准确识别情感，在个体间的识别稳定性更好。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于图神经网络和注意力的双模态情感识别方法

李路宝, 陈田, 任福继, 罗蓓蓓

《计算机应用》唯一官方网站 2023, 43 (3): 700-705. DOI: 10.11772/j.issn.1001-9081.2022020216

摘要（661）

HTML （52）

PDF （1917KB）（551）

针对生理信号情感识别问题，提出一种基于图神经网络（GNN）和注意力的双模态情感识别方法。首先，使用GNN对脑电（EEG）信号进行分类；然后，使用基于注意力的双向长短期记忆（Bi-LSTM）网络对心电（ECG）信号进行分类；最后，通过Dempster-Shafer证据理论融合EGG和ECG分类结果，从而提高情感识别任务的综合性能。为验证所提方法的有效性，邀请20名受试者参与情感激发实验，并收集了受试者的EGG、ECG信号。实验结果表明，所提方法的二分类准确率在valence维度和arousal维度分别为91.82%和88.24%，相较于单模态EEG方法分别提高2.65%和0.40%，相较于单模态ECG方法分别提高19.79%和24.90%。可见，所提方法能够有效地提高情感识别的准确率，为医疗诊断等领域提供决策支持。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

3. 基于多尺度卷积和自注意力特征融合的多模态情感识别方法

陈田蔡从虎袁晓辉罗蓓蓓

《计算机应用》唯一官方网站 DOI: 10.11772/j. issn.1001-9081.2023020185
预出版日期: 2024-01-06