Design and Implementation of an Emotion Analysis System Based on EEG Signals

传统的脑机接口系统复杂而昂贵，情感分类算法缺乏不同脑电信号通道之间内在关系的表达。精度仍有提高的空间。为了降低脑电信号研究门槛并利用其中蕴含的丰富信息，我们提出并实现了一个简单易用的脑机接口系统，用于分类四种情感：快乐、悲伤、沉闷和宁静。该系统利用卷积注意力机制和完全预激活残差块的融合，称为注意力卷积预激活残差网络（ACPA-ResNet）。在硬件采集和预处理阶段，我们采用ADS1299集成芯片作为模拟前端，并利用ESP32微控制器进行初始脑电信号处理。数据通过UDP协议无线传输到PC进行进一步预处理。在情感分析阶段，ACPA-ResNet被设计为自动从脑电信号中提取和学习特征，从而通过学习时频域特征实现情感状态的准确分类。ACPA-ResNet在残差网络的基础上引入了注意力机制，自适应地为每个通道分配不同的权重。这使得它能够在空间和通道维度上专注于更有意义的脑电信号，同时避免了与深层网络架构相关的梯度分散和爆炸问题。通过对16名受试者的测试，我们的系统展示了稳定的脑电信号采集和传输。这种新型网络显著提高了情感识别的准确性，实现了95.1%的平均情感分类准确率。

本论文旨在提出一种简单易用的脑-计算机系统，用于分类四种情绪：快乐、悲伤、悲哀和宁静。同时，论文试图解决传统脑-计算机系统复杂、昂贵，情感分类算法缺乏不同脑电信号通道之间内在关系表示的问题。

论文提出了一种名为ACPA-ResNet的融合卷积注意机制和全预激活残差块的神经网络架构，用于自动提取和学习脑电信号的特征，从而实现情绪状态的准确分类。

论文采用ADS1299集成芯片作为模拟前端，并利用ESP32微控制器进行初始脑电信号处理。数据通过UDP协议无线传输到PC进行进一步预处理。ACPA-ResNet引入注意机制，自适应地为每个通道分配不同的权重，从而在空间和通道维度上专注于更有意义的脑电信号。通过对16个受试者进行测试，该系统表现出稳定的脑电信号采集和传输，并且实现了95.1％的平均情绪分类准确性。

最近在这个领域中，还有一些相关研究，例如：1）H. Zhang等人的“一种基于深度学习的脑电情感识别方法”；2）M. Arvaneh等人的“脑电情感识别中的深度学习方法：一种综述”；3）Z. Wang等人的“使用深度学习在脑电情感识别中提取时间-频率特征”等。