Menschliche Emotionen sind ein komplexes psychologisches Phänomen, das den aktuellen physiologischen und psychologischen Zustand des Individuums widerspiegelt. Emotionen haben einen signifikanten Einfluss auf das Verhalten, die Kognition, die Kommunikation und die Entscheidungsfindung bei Menschen. Die aktuellen Methoden zur Erkennung von Emotionen stoßen jedoch oft auf Probleme mit schlechter Leistung und begrenzter Skalierbarkeit in der praktischen Anwendung. Aus diesem Grund schlagen wir einen neuen Rahmen für die Erkennung von Gehirnemotionen VG-DOCoT vor, der auf einer Struktur mit tiefen überparametrisierten Konvolutionen (DO-Conv), Transformern und einem variablen generativen-antagonistischen Netzwerk-Encoder (VAE-GAN) basiert. Insbesondere im Preprocessing kann die differentielle Entropie (DE) aus den EEG-Signalen extrahiert werden, um zeitliche, räumliche und frequenzbezogene Informationen abzubilden. Zur Verbesserung der Trainingsdaten wird VAE-GAN zur Datenverstärkung eingesetzt. Anstelle herkömmlicher Faltungsschichten wird ein neues DO-Conv-Modul zur Verbesserung der Leistung des Netzwerks eingesetzt. Eine Transformer-Struktur wird in das Netzwerkframework eingeführt, um die globale Abhängigkeit in den EEG-Signalen aufzudecken. Mit dem vorgeschlagenen Modell wurde eine Simulation der Zweiklassifikationsaufgabe auf dem DEAP-Datensatz durchgeführt, bei der die Weckgenauigkeit und die Valenz jeweils 92,52% und 92,27% erreichten. Darüber hinaus wurde ein Test der Dreiklassifikationsaufgabe auf dem SEED-Datensatz durchgeführt, der neutrale, positive und negative Emotionen umfasst, und eine durchschnittliche Vorhersagegenauigkeit von 93,77% erzielt. Die vorgeschlagene Methode verbessert die Genauigkeit der Emotionserkennung durch EEG signifikant.

Erkennung von Emotionen; Elektroenzephalogramm (EEG); tiefen überparametrisierten Konvolutionen (DO-Conv); Transformer; variabler generativer-antagonistischer Netzwerk-Encoder (VAE-GAN)