Распознавание эмоций человека на основе интерфейсов мозг–компьютер с использованием ЭЭГ и машинного обучения: всесторонний обзор
Human emotion recognition from EEG-based brain–computer interface using machine learning: a comprehensive review
2022-05-07
SCID: 54.1/x8jwnr4k
Discuss with AI
распознавание эмоций на основе ЭЭГаффективные вычисленияинтерфейсы мозг–компьютерглубокое обучениемашинное обучение
Figures from the paper
Abstract (AI)
Аффективные вычисления, являющиеся подразделом искусственного интеллекта, выявляют, обрабатывают, интерпретируют и имитируют эмоции человека. Благодаря непрерывному развитию портативных неинвазивных технологий регистрации сигналов у человека, таких как интерфейсы мозг–компьютер (BCI), распознавание эмоций привлекло внимание исследователей из различных областей. Для идентификации эмоций человека могут использоваться мимика, речь, поведение (жесты и поза) и физиологические сигналы. Однако первые три модальности могут быть неэффективными, поскольку люди способны сознательно или бессознательно скрывать свои истинные эмоции — явление, известное как социальная маскировка. Физиологические сигналы позволяют осуществлять более точное и объективное распознавание эмоций. Сигналы электроэнцефалограммы (ЭЭГ) реагируют в реальном времени и более чувствительны к изменениям аффективных состояний, чем периферические нейрофизиологические сигналы. Поэтому сигналы ЭЭГ могут выявлять важные признаки эмоциональных состояний. В последнее время был разработан ряд методов распознавания эмоций на основе интерфейсов мозг–компьютер с использованием ЭЭГ. Кроме того, стремительное развитие машинного и глубокого обучения позволило машинам и компьютерам понимать, распознавать и анализировать эмоции. В настоящем исследовании рассматриваются методы распознавания эмоций, основанные на интерфейсах мозг–компьютер с многоканальными сигналами ЭЭГ, и представлен обзор достижений в этой области. Также приведён обзор наборов данных и методов, используемых для индукции эмоциональных состояний. В соответствии с общепринятой схемой распознавания эмоций рассматриваются различные методы выделения и отбора/сокращения признаков ЭЭГ; методы машинного обучения, включая метод k ближайших соседей, метод опорных векторов, деревья решений, искусственные нейронные сети, случайный лес и наивный байесовский классификатор; а также методы глубокого обучения, включая сверточные нейронные сети и рекуррентные нейронные сети с долговременной краткосрочной памятью. Кроме того, обсуждаются ритмы ЭЭГ, тесно связанные с эмоциями, а также взаимосвязи между различными областями мозга и эмоциями. Также рассмотрены несколько исследований по распознаванию эмоций человека, опубликованных в...
Key Findings
1
ЭЭГ реагирует в реальном времени и чувствительнее к изменениям аффективного состояния, чем периферические нейрофизиологические сигналы, что позволяет извлекать информативные признаки эмоций.
2
Физиологические сигналы ЭЭГ рассматриваются как более объективные и потенциально точные для распознавания эмоций, чем мимика, речь и поведение, подверженные социальному маскированию.
3
Рассмотрены методы глубокого обучения, включая сверточные и рекуррентные нейронные сети с долговременной краткосрочной памятью, для распознавания эмоций по ЭЭГ.
4
Обобщены наборы данных и методы индукции эмоций, ритмы ЭЭГ, связанные с эмоциями, и взаимосвязи между областями мозга и эмоциональными состояниями.
5
В обзоре систематизированы методы распознавания эмоций на основе многоканальной ЭЭГ-BCI, включая извлечение, отбор и снижение размерности признаков, а также традиционные классификаторы машинного обучения.
Research Object
системы распознавания эмоций на основе многоканальных ЭЭГ-ориентированных интерфейсов мозг–компьютер
Research Subject
методы, признаки, мозговые ритмы и взаимосвязи между областями мозга, лежащие в основе распознавания и анализа эмоциональных состояний человека с использованием машинного и глубокого обучения
Publication Details
Publication Date
2022-05-07
Journal
Publisher
ISSN
Cited by
470
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Снижение размерности данных с помощью нейронных сетей2006
Случайные леса решений2002
Сверточные нейронные сети: обзор и применение в радиологии2018
Обзор алгоритмов классификации для интерфейсов мозг–компьютер на основе электроэнцефалографии2007
Современное состояние, проблемы и возможные решения для интерфейсов мозг–компьютер на основе ЭЭГ: всесторонний обзор2020