Learning CNN features from DE features for EEG‑based emotion recognition （从DE特征中学习CNN特征用于情绪识别）

摘要

	最近，深度神经网络（DNN）在计算机视觉，音频分析和自然语言处理中显示了功能表示的非凡成功。 此外，在有关脑机接口的最新研究中，DNN已用于脑电图（EEG）信号分类。 但是，大多数作品使用一维EEG功能来学习DNN，而DNN忽略了EEG信号中多通道或多个频带内的本地信息。 在本文中，我们提出了一种使用卷积神经网络（CNN）的新型情感识别方法，同时防止了本地信息的丢失。
	所提出的方法包括两部分。 第一部分在保持从中心电极到其他电极的距离的同时，生成保留拓扑的差分熵特征。 第二部分学习拟议的CNN来估计三类情绪状态（积极，中性，消极）。 我们评估我们在SEED数据集上的工作，包括从15位受试者记录的62通道EEG信号。 我们的实验结果表明，该方法在SEED数据集上具有卓越的性能，平均准确度为90.41％，并且使用t-SNE可视化了从所提议的CNN中提取的特征，以显示我们的表示胜过基于标准特征的脑电分析 。 此外，通过在VIG数据集上进行额外的实验来估计EEG数据集的警惕性，我们证明了该方法的现成可用性。

1 Introduction

由于情感在人机交互（HMI）中起着至关重要的作用，因此近几十年来已经进行了情感识别的研究[1]。 通常从面部表情，身体手势或发声中获取人类情感数据。 这些反应很容易收集，但是假表达很容易包含在这些非生物信号中[2]。 但是，生理功能（例如功能磁共振成像（fMRI），正电子发射断层扫描（PET），脑电