メタヒューリスティックの最適化とハイブリッドディープラーニングテクニックを使用したEEGベースのスマート感情認識

受動的な脳コンピューターインターフェイスアプリケーションのドメインでは、感情の識別は不可欠であり、手ごわいです。最近、脳波（EEG）データによる感情の識別について重要な研究が行われました。このプロジェクトの目的は、個人のEEGを分析し、肯定的、中立的、ネガティブな感情状態を区別できるシステムを開発することです。提案された方法論は、独立コンポーネント分析（ICA）を使用して、EEGチャネル記録の筋電図（EMG）と電気閉鎖（EOG）からアーティファクトを削除します。フィルタリング技術は、Alpha、Beta、Gamma、およびTheta周波数帯域に分割することにより、EEGデータの品質を改善するために採用されています。特徴抽出は、ABC-GWOなどのハイブリッドメタヒューリスティック最適化手法で実行されます。ハイブリッドの人工蜂コロニーとグレーウルフオプティイザーを使用して、選択したデータセットから最適化された機能を抽出します。最後に、DEAPとSEED、2つの公開可能なデータセットを使用して包括的な評価が実施されます。CNNモデルは、シードデータセットで約97％、DEAPデータセットで98％の精度を達成します。ハイブリッドCNN-ABC-GWOモデルは、両方のデータセットで約99％の精度を達成し、ABC-GWOはハイパーパラメーターの調整と分類に使用されます。提案されたモデルは、シードデータセットで約99％、DEAPデータセットで100％の精度を示しています。実験的所見は、特異な手法、広く採用されているハイブリッド学習方法、または最先端の方法を利用して対照的です。提案された方法は、認識パフォーマンスを向上させます。

In the domain of passive brain-computer interface applications, the identification of emotions is both essential and formidable. Significant research has recently been undertaken on emotion identification with electroencephalogram (EEG) data. The aim of this project is to develop a system that can analyse an individual's EEG and differentiate among positive, neutral, and negative emotional states. The suggested methodology use Independent Component Analysis (ICA) to remove artefacts from Electromyogram (EMG) and Electrooculogram (EOG) in EEG channel recordings. Filtering techniques are employed to improve the quality of EEG data by segmenting it into alpha, beta, gamma, and theta frequency bands. Feature extraction is performed with a hybrid meta-heuristic optimisation technique, such as ABC-GWO. The Hybrid Artificial Bee Colony and Grey Wolf Optimiser are employed to extract optimised features from the selected dataset. Finally, comprehensive evaluations are conducted utilising DEAP and SEED, two publically accessible datasets. The CNN model attains an accuracy of approximately 97% on the SEED dataset and 98% on the DEAP dataset. The hybrid CNN-ABC-GWO model achieves an accuracy of approximately 99% on both datasets, with ABC-GWO employed for hyperparameter tuning and classification. The proposed model demonstrates an accuracy of around 99% on the SEED dataset and 100% on the DEAP dataset. The experimental findings are contrasted utilising a singular technique, a widely employed hybrid learning method, or the cutting-edge method; the proposed method enhances recognition performance.