SAE+LSTM: マルチチャネルEEGからの感情認識のための新しいフレームワーク

EEGに基づく自動感情認識は、脳にインスパイアされたロボットが人間とのインタラクションを改善するのに役立ちます。本論文は、マルチチャネル脳波（EEG）を用いた感情認識のための新しいフレームワークを提示します。このフレームワークは、線形EEGミキシングモデルと感情タイミングモデルで構成されています。我々の提案するフレームワークは、収集したEEG信号からEEGソース信号を大幅に分解し、EEG特徴シーケンスのコンテキスト相関を利用することで分類精度を向上させます。特に、Stack AutoEncoder（SAE）を用いて線形EEGミキシングモデルを構築・解決し、感情タイミングモデルはLong Short-Term Memory Recurrent Neural Network（LSTM-RNN）に基づいています。このフレームワークは、感情認識実験のためにDEAPデータセットで実装され、感情認識の平均精度はバレンスで81.10%、覚醒で74.38%を達成し、我々のフレームワークの有効性が検証されました。我々のフレームワークは、実験において比較した従来型アプローチよりもマルチチャネルEEGを用いた感情認識において優れた性能を示しました。