脑电感知：一种用于情绪检测的深度学习框架

摘要

提出了一种基于脑电（EEG）的情绪检测的深度学习框架TSception。TSception由时间卷积层和空间卷积层组成，它们同时学习时间域和信道域中的区分表示。时间学习器由多尺度一维卷积核组成，其长度与脑电信号的采样率有关，学习多个时间和频率表示。空间学习者利用额叶脑区情绪反应的不对称性，从大脑左右半球学习辨别表征。我们设计了一个系统来研究沉浸式虚拟现实（VR）环境下的情绪唤醒。利用该系统收集了18名健康受试者的脑电数据，以评估所提出的深度学习网络对低情绪唤醒状态和高情绪唤醒状态分类的性能。并与支持向量机、EEGNet和LSTM进行了比较。TSception的分类准确率高达86.03%，明显优于已有的分类方法（p<0.05）。

框架TSception

1.参考GoogleNet的Inception框架进行卷积操作
2.脑电图数据可以看作是二维时间序列，其维数分别为通道(脑电图电极)和时间将EEG信号的通
本系统主要分为时域学习器，空间学习器，分类器。
时域学习器：由不同比列的采样频率构成，对应不同的时域学习器的level，每个level的比列采取不同。本文选取了[0.5,0.25,0.125]的采样频率三个不同层的采样频率倍数的level，可以得到2HZ，4HZ，8HZ以上的信号。在使用平均池化来消除误差信号，同时也进行的降采样。
空间学习器：全局核,采用卷积为（通道数C，1），半球核,采用卷积为（通道数C/2，1）。

结论