Estudio sobre el reconocimiento de emociones entre conductores basado en datos de EEG de varios canales en bruto
Autores: Wang, Zhirong; Chen, Ming; Feng, Guofu
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Estudio sobre el reconocimiento de emociones entre conductores basado en datos de EEG de varios canales en bruto
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Emociones
Controladores
Redes neuronales
Precisión de reconocimiento
Señales de EEG
Modelo CNN
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 63
Citaciones: Sin citaciones
En nuestra vida, las emociones a menudo tienen un profundo impacto en el comportamiento humano, especialmente para los conductores, ya que las emociones negativas pueden aumentar el riesgo de accidentes de tráfico. Es imperativo discernir con precisión los estados emocionales de los conductores para abordar y mitigar preventivamente cualquier emoción negativa que de otro modo podría manifestarse y comprometer el comportamiento al conducir. Contrariamente a muchos estudios actuales que se basan en modelos de redes neuronales complejas y profundas para lograr una alta precisión, esta investigación tiene como objetivo explorar el potencial de lograr una alta precisión de reconocimiento utilizando redes neuronales poco profundas a través de la reestructuración de la estructura y dimensiones de los datos. En este estudio, proponemos un modelo de red neuronal convolucional (CNN) de extremo a extremo llamado simplemente ameliorated CNN (SACNN) para abordar el problema de baja precisión en el reconocimiento de emociones entre sujetos. Extraímos características y convertimos dimensiones de señales de EEG del conjunto de datos SEED del Laboratorio BCMI para construir datos de 62 dimensiones, y obtuvimos la configuración óptima del modelo a través de experimentos de ablación. Para mejorar aún más la precisión de reconocimiento, seleccionamos los 10 canales con la mayor precisión al entrenar por separado los datos de EEG de cada uno de los 62 canales. Los resultados mostraron que el modelo SACNN logró una precisión del 88.16% basada en datos crudos entre sujetos, y una precisión del 91.85% basada en datos de canal de EEG de los 10 mejores canales. Además, exploramos el impacto de la posición de las capas de BN y dropout en el modelo a través de experimentos, y encontramos que un modelo de CNN poco profundo dirigido funcionó mejor que modelos de CNN de campo perceptual más profundos y grandes. Además, discutimos aquí los problemas y desafíos futuros del reconocimiento de emociones de conductores en prometedoras aplicaciones de ciudades inteligentes.
Descripción
En nuestra vida, las emociones a menudo tienen un profundo impacto en el comportamiento humano, especialmente para los conductores, ya que las emociones negativas pueden aumentar el riesgo de accidentes de tráfico. Es imperativo discernir con precisión los estados emocionales de los conductores para abordar y mitigar preventivamente cualquier emoción negativa que de otro modo podría manifestarse y comprometer el comportamiento al conducir. Contrariamente a muchos estudios actuales que se basan en modelos de redes neuronales complejas y profundas para lograr una alta precisión, esta investigación tiene como objetivo explorar el potencial de lograr una alta precisión de reconocimiento utilizando redes neuronales poco profundas a través de la reestructuración de la estructura y dimensiones de los datos. En este estudio, proponemos un modelo de red neuronal convolucional (CNN) de extremo a extremo llamado simplemente ameliorated CNN (SACNN) para abordar el problema de baja precisión en el reconocimiento de emociones entre sujetos. Extraímos características y convertimos dimensiones de señales de EEG del conjunto de datos SEED del Laboratorio BCMI para construir datos de 62 dimensiones, y obtuvimos la configuración óptima del modelo a través de experimentos de ablación. Para mejorar aún más la precisión de reconocimiento, seleccionamos los 10 canales con la mayor precisión al entrenar por separado los datos de EEG de cada uno de los 62 canales. Los resultados mostraron que el modelo SACNN logró una precisión del 88.16% basada en datos crudos entre sujetos, y una precisión del 91.85% basada en datos de canal de EEG de los 10 mejores canales. Además, exploramos el impacto de la posición de las capas de BN y dropout en el modelo a través de experimentos, y encontramos que un modelo de CNN poco profundo dirigido funcionó mejor que modelos de CNN de campo perceptual más profundos y grandes. Además, discutimos aquí los problemas y desafíos futuros del reconocimiento de emociones de conductores en prometedoras aplicaciones de ciudades inteligentes.