Emotion recognition based on 3D-EEGU-Net and differential entropy features for small sample EEG and embedded applications
Notice bibliographique
Résumé
To address the limitations of traditional emotion recognition methods in terms of timeliness, high-dimensional data processing, and small sample scenarios, this paper proposes an EEG-based emotion recognition method using 3D-EEGU-Net. This method combines differential entropy (DE) features with high-dimensional spectral mapping, effectively improving emotion classification performance. By performing Fast Fourier Transform (FFT) to decompose EEG (Electroencephalography) signals into delta, theta, alpha, beta, and gamma frequency bands, the differential entropy features of each frequency band are extracted and integrated with the original signal to construct a three-dimensional feature matrix (M×N×L×6). The designed 3D-U-Net architecture (3D-EEGU-Net) utilizes an encoder-decoder structure to mine spatiotemporal features, achieving a recognition accuracy of 92.34% on the SEED (SJTU Emotion EEG Dataset) dataset, significantly outperforming existing methods. Experiments found that abnormal fluctuations in the β band of subjects were associated with ADHD (Attention Deficit Hyperactivity Disorder) symptoms. Further, the model was deployed on the Huawei A2 development board, validating the feasibility of real-time emotion classification. This study provides a new approach for small sample EEG emotion recognition and embedded applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».