摘要
为探究关键频段与脑电通道，本文引入深度置信网络（Deep Belief Networks, DBNs）构建基于脑电图（EEG）的情绪识别模型，用于识别三种情绪：积极、中性与消极。研究采集了来自15名受试者的EEG数据，每位受试者在间隔数天的两次实验中分别完成测试。模型训练采用从多通道EEG数据中提取的微分熵特征。通过分析训练后DBNs的权重，进一步识别出对情绪分类具有关键作用的频率带和脑电通道。选取了4、6、9和12个通道的四种不同通道配置进行实验，结果显示，这四种配置的识别准确率均保持相对稳定，最高达到86.65%，甚至优于原始62通道的识别性能。基于DBNs权重所确定的关键频率带与通道，与已有研究的观察结果高度一致。此外，实验结果表明，不同情绪确实存在相应的神经表征，且这些神经特征在不同实验会话及个体间具有一定的共性。本文还对比了深度模型与浅层模型的性能表现，结果显示，DBN、支持向量机（SVM）、逻辑回归（LR）和K近邻（KNN）的平均识别准确率分别为86.08%、83.99%、82.70%和72.60%，表明深度模型在情绪识别任务中具有显著优势。