基于深度学习的脑电情绪识别模型多通道特征融合与分类准确率相关参数及设计要求.docVIP

基于深度学习的脑电情绪识别模型多通道特征融合与分类准确率相关参数及设计要求

一、脑电情绪识别的多通道特征维度解析

脑电信号（EEG）作为反映大脑神经活动的直接生理指标，其多通道采集特性为情绪识别提供了丰富的维度信息。不同脑区的电活动与特定情绪状态存在关联：前额叶区域（Fp1、Fp2）的theta波段（4-7Hz）活动通常与焦虑、抑郁等负性情绪相关；颞叶（T3、T4）的alpha波段（8-13Hz）节律变化则可能反映愉悦度的波动；顶叶（P3、P4）的beta波段（14-30Hz）活动常与情绪唤醒度密切相关。此外，枕叶（O1、O2）的gamma波段（30-100Hz）在情绪加工的高级认知过程中扮演重要角色。

在多通道特征提取层面，时域特征、频域特征、时频域特征及非线性特征构成了核心维度。时域特征中的均值、方差、峰值、过零率等参数，能够直接反映脑电信号的基本波动特性；频域特征通过傅里叶变换、小波变换等方法，将信号分解为不同频率成分，进而提取功率谱密度、频段能量占比等指标；时频域特征则结合了时域与频域的优势，通过短时傅里叶变换、小波包变换等技术，捕捉信号在时间和频率维度上的动态变化；非线性特征如样本熵、近似熵、分形维数等，能够揭示脑电信号的混沌特性，为情绪状态的识别提供更深入的信息。

二、深度学习框架下的多通道特征融合策略

（一）基于卷积神经网络（CNN）的空间特征融合

卷积神经网络凭借其