Resumen

El electroencefalograma (EEG) es el método más común utilizado para estudiar las emociones y capturar los cambios en la actividad eléctrica cerebral. La memoria a corto y largo plazo (LSTM) procesa las características temporales de los datos y se utiliza principalmente para el reconocimiento de texto y habla emocional. Dado que un EEG implica una señal de series temporales, este artículo estudió principalmente la introducción de LSTM para el reconocimiento emocional del EEG. En primer lugar, se estableció un modelo ALL-LSTM con una red LSTM de cuatro capas en la que la tasa de precisión promedio para la clasificación emocional alcanzó el 86.48%. En segundo lugar, se extrajeron cuatro características del EEG a través de la transformada wavelet (WT) utilizando la red de clasificación de sentimientos basada en LSTM. Los resultados experimentales mostraron que la mejor precisión promedio de clasificación de estas cuatro características fue del 73.48%. Esto fue un 13% menor que en el modelo ALL-LSTM, lo que indica que los métodos inapropiados de extracción de características podrían destruir

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Electroencefalograma; LSTM; Reconocimiento emocional; Señales de EEG; Extracción de características; Precisión de clasificación
• Keywords:Electroencephalogram; LSTM; Emotional recognition; EEG signals; Feature extraction; Classification accuracy