Resumen

La fusión de señales neurofisiológicas multicanal para reconocer los estados emocionales humanos resulta cada vez más atractiva. Los métodos convencionales ignoran la complementariedad entre las características del dominio del tiempo, las características del dominio de la frecuencia y las características de tiempo-frecuencia de las señales de electroencefalograma (EEG) y no pueden capturar completamente la información de correlación entre los diferentes canales. En este trabajo, se propone un marco de aprendizaje profundo integrado basado en redes de creencia profunda mejoradas con cadenas de glía (DBN-GCs). En el marco, las DBN-GCs miembros se emplean para extraer representaciones intermedias de las características brutas del EEG de múltiples dominios por separado, así como para extraer información de correlación entre canales mediante cadenas de glía. A continuación, las características de nivel superior que describen las características del dominio del tiempo, las características del dominio de la frecuencia y las características de la frecuencia del tiempo se fusionan mediante una máquina de Boltzmann restringida (RBM) discriminatoria para implementar la tarea de reconocimiento de emociones. Los experimentos realizados con el conjunto de datos de referencia DEAP logran una precisión media de 75,92 y 76,83 en la clasificación de los estados de excitación y valencia, respectivamente. Los resultados muestran que el marco propuesto supera a la mayoría de los clasificadores profundos anteriores. Así, se demuestra el potencial del marco propuesto.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:características en el dominio de la frecuencia, características en el dominio del tiempo, cadena de glía, características de la frecuencia, representación del eeg, tarea de reconocimiento de emociones, estado de las emociones humanas, máquina de boltzmann restringida, red de creencias profunda, características del electroencefalograma
• Keywords:frequency domain characteristics, time domain characteristics, glia chain, frequency characteristics, representation of eeg, emotions recognition task, human emotions state, restricted boltzmann machine, deep believes network, characteristics of electroencephalogram