利用脑电连通性特征和卷积神经网络的情绪分类

卷积神经网络（Convolutional neural networks，CNNs）被广泛用于通过脑电信号识别用户的状态的研究。在先前的研究中，脑电信号通常以高维原始数据的形式被给予到神经网络中。然而，这种方法使得能够有效描述功能脑网络和估计用户感知状态的大脑连通性信息难以被利用。本文引入了一种将CNN用于大脑连通性的新的分类系统，并通过使用三种不同类型的连通性指标来验证其在情感视频分类中的有效性。在此基础上，提出了两种数据驱动的连通性矩阵构造方法，以最大限度地提高分类性能。进一步的分析表明，与目标视频情感属性相关的大脑连通性的集中程度与分类性能相关。本文发表在Neural Networks杂志。思影曾做多篇脑电机器学习相关文章解读，如感兴趣可以点击下文阅读，增加了解（可添加微信号siyingyxf或18983979082获取原文）：

脑电研究：通过神经活动和视觉特征的多模态学习解码大脑表征

JAMA Psychiatry：使用机器学习的方法探究焦虑和创伤性障碍的跨疾病诊断症状簇以及其和脑，行为和日常功能状态的关联

脑电信号处理的机器学习

Nature Biotechnology: EEG特征预测重度抑郁症的抗抑郁药反应

BMC Medicine：自闭症谱系障碍静息态EEG信号的定量递归分析

非侵入式神经成像可增强机器控制的持续神经追踪

组合表征揭示了视觉工作记忆的不同神经编码模式

一种供四肢瘫痪患者使用硬膜外无线脑机接口

出生第一年的纵向EEG power能识别孤独症谱系障碍

脑电神经网络：概率奖励学习中的神经结构映射

工作记忆任务中先前经历的重激活

研究背景

用户体验的感知方面，如情感和偏好，对于各种多媒体应用程序和服务都很重要。识别用户的感知状态对于增强用户在虚拟现实中的体验也至关重要。尤其是情感，它影响着我们的个体行为和社会行为，是最具区别性的感知因素之一。因此，有许多研究试图去确定它的性质和特征。

虽然情绪传统上是通过外显的问卷或访谈进行调查，但生理信号对情绪的内隐测量有许许多多的优势，近年来备受关注。内隐测量可以实时监测情绪，而问卷或访谈需要在刺激呈现后进行，这导致情绪事件与测量之间存在滞后。此外，内隐方法相对不受实验者和评价过程的误差影响。

特别地，脑电是一种捕捉大脑电活动的方法，它有望包含关于情绪过程的全面信息。此外，脑电设备较其他脑生理信号采集设备具有时间分辨率高、成本低、设备便携等优点。因此，许多研究利用脑电信号进行情绪分析。

最近，深度学习方法已经应用于脑电信号以分类用户的情绪状态。大多数先前的研究专注于利用深度学习从原始脑电信号中提取适合分类的特征。然而，脑电信号通常包含了比大多深度学习方法已经处理过的图像和音频信号强烈得多的噪声。因此，首先从脑电信号中提取有意义的信息再通过深度学习模型来学习是有好处的。

虽然幅值或潜伏期的瞬间变化和频谱功率的瞬间变化一直被用来表征脑电信号，但最近出现了一些大脑连通性相关的特征，因为它们可以考虑不同脑区之间的关系。大脑连通性一直活跃在神经科学的研究领域。此外，最近的研究证实了大脑连通性特征在识别情绪状态方面的有效性。然而，除了我们的前期工作之外，大脑连通性还没有被用于深度学习途径。

本文提出一种应用于脑电的在深度学习中的利用连通性信息识别情绪体验的新方法。在此方法中，连通性信息被呈现在一个从原始脑电数据得到的矩阵中。特别地，本文使用了卷积神经网络，因为它有处理输入数据中高维信息的能力。此外，我们注意到，由于卷积运算同时考虑了输入数据中的空间邻接值，因此所提方法的性能取决于连通性矩阵的排列方式。因此，我们提出了两种不同的方法以确定连通性网络的排列方式并研究它对于情绪视频分类的影响。

本文的贡献可以总结如下：

•本文提出了一种基于卷积神经网络的系统，其能够利用连通性矩阵学习基于大脑连通性的神经活动的特征，并且我们证明了它在情绪视频分类上的有效性。一些连通性指标，即皮尔逊相关系数（PCC）、相位锁定值（PLV）和转移熵（TE），被用于构造连通性矩阵。

•本文提出了一种有效的数据驱动方法来得到连通性矩阵排列的最好效果。为此使用了两种不同的方法，它们分别利用了不同空间位置上脑电信号之间的相似性和相异性。

•本文从情感效价的角度分析了情感视频分类的结果，证明了输入的连通性矩阵中效价相关连通性的集中程度与分类性能相关。

相关工作

本文回顾了现有的利用脑电信号分析情绪的研究，基于脑电信号的特征和学习模型对其进行分类。代表性的研究总结在表1中。

表1 现存有代表性的研究中报告的情绪分类的结果

如果您对脑电数据处理及机器学习感兴趣，欢迎浏览思影科技课程及服务

（可添加微信号siyingyxf或18983979082详细了解）：

第二十二届脑电数据处理中级班（南京，11.12-17）

第七届脑电信号数据处理提高班（南京，11.18-23）

第十届脑电数据处理入门班（南京，12.1-6）

第一届MNE-Python脑电数据处理班（南京，12.7-12）

第二十三届脑电数据处理中级班（重庆，12.16-21）

思影科技EEG/ERP数据处理业务

思影科技脑电机器学习数据处理业务

思影科技脑影像机器学习数据处理业务介绍

BIOSEMI脑电系统介绍

基于脑电的情绪分析

前人通过脑电信号在大脑对情绪事件的反应方面进行了积极探索。通常，脑电信号是由特征来反映的，根据研究的维度可以进行分类。

时域特征包括：均值、标准差、幂、Hjorth特征、长度密度、分形维数等统计特征。特别地，脑电信号中瞬时的相位和幅值变化（事件相关电位）已经在许多研究中被用于揭示大脑对于情绪刺激的反应。这些研究表明，情绪的效价从负(低效价)到正(高效价)的水平都倾向于操纵早期的脑电信号，而描述情绪强度的唤醒的影响出现得相对较晚。

在频域维度中脑电信号的功率是最受欢迎的用于情绪分析的脑电特征之一。典型地，低频范围的高幅值信号会在被试处于平静状态时被观测到，相反，高频范围的高幅值信号被证明是在一个警戒状态中出现。功率特征也被用来推导其他频域特征。例如，不对称指数是对称位置电极对获得的功率值之差，用于描述大脑左右半球的不对称性。

对于频域特征，其假设是脑电信号在一个试验中是平稳的，但在某些情况下这种假设可能不成立。因此，综合考虑时域和频域维度的特征被提出了。例如，利用多元同步压缩变换（multivariate synchrosqueezing transform）得到的脑电信号时频分布，对唤醒和效价的二元状态(高vs低)进行分类。同时，也有采用基于希尔伯特黄变换时频分析方法的经验模态分解，对在效价-唤醒层面上的情绪进行分类的研究。

上述特征大多与传统的浅层机器学习模型结合使用。最近的一些文献中提出了能够通过学习提取更有效特征的深度学习情绪分析方法。

用于情绪识别的深度学习方法

用于识别情绪状态的深度学习方法可以被粗略分为两种：

（1）从原始脑电信号中提取特征。

（2）利用脑电信号中的精化信息代替原始信号，进一步得到具有代表性的特征。

前者完全是数据驱动方法，因此通过适当的学习模型和方案，就有可能使性能最大化。然而，脑电信号由于除了反映情绪外，还反映了知觉经验的各个方面，具有高度的复杂性。此外，不同个体的脑电模式存在差异，这使得通过学习从原始脑电信号中提取有意义的情绪相关特征变得更加困难。因此，先对原始脑电信号进行预处理，然后利用深度学习模型对得到的结果进行进一步的特征提取，是第二种方法的基础，并且启发了本文的研究。

基于CNN的研究的脑电特征(即差分熵和PSD)能够代表每个脑区的活动。然而，人们普遍认为，大脑区域由一个网络组成，大脑的功能可以解释为区域之间通过网络实现的相互作用。因此，情绪分析也可以从不同脑区之间的关系的研究角度出发，这促使我们使用脑电信号中的大脑连通性。

基于连通性的脑电分析

传统的脑电特征是单独考虑不同的大脑区域，而大脑连通性则是通过测量大脑活动的依赖性(如共激活和因果关系)来检测大脑区域之间的关系。因此，大脑连通性在不同于常规脑电特征的角度提供了关于脑活动的信息。

一些研究已经证明了大脑连通性在情绪分类中的有效性，但现有的基于脑电信号的大脑连通性的情绪分析局限于统计检验或传统的机器学习方法。据我们所知，在大脑连通性领域没有任何使用深度学习的尝试，这很可能是由于深度学习模型中没有能够恰当地利用大脑连通性特征的方法。在本研究中，我们引入连通性矩阵，它是一种表示用于CNN学习的连通性信息的方法，并对其有效性进行评价。

系统

图1概述了将卷积神经网络应用于大脑连通性的分类系统。从原始脑电信号计算得到连通性指标后，基于一定的排序方法构造连通性矩阵。CNN接收连通性矩阵作为输入信号，并在目标分类任务中被训练以提取有意义的特征。

图1 分类系统总览

脑电连通性矩阵

本研究采用了三种不同的连通性指标：皮尔逊相关系数(PCC)、相位锁定值(PLV)和转移熵(TE)，它们反映了大脑连通性的各个方面，并且在神经科学研究中已经得到了广泛的应用，。

PCC将两个信号之间的线性关系度量为一个-1到1的连续数。PCC值为-1和1分别对应完全的负线性相关和正线性相关，PCC值为零表明两个信号不相关。令xi = {xi1, xi2 . . . , xiT}，表示第i个电极的脑电信号，其中T是信号的时间长度。则xi和xk之间的PCC值为：

PLV描述了两个信号之间的相位同步，被计算为相位差绝对值的平均值：

其中φt是信号在时间t的相位。PLV的值域为0到1，分别表示两个信号的完全独立和完全同步。

TE度量了信息从一个信号xi到另一个信号xk的定向流动：

换句话说，TE描述了通过已知xi来预测xk所获得的增益。TE值为0意味着表示两个时间序列之间不存在因果关系。Java信息动态工具包被用于计算本研究中的TE特征。每对脑电电极的连通性特征都将被计算。如果有Ne个电极，那么就得到Ne(Ne-1)/2无向连通性特征（PCC或PLV）或Ne(Ne-1)个有向连通性特征（TE）。

所有电极对的连通性特征可以表示为矩阵，其中( i，k )处的元素表示第i个和第k个电极得到的脑电信号之间的连通性，如图1所示。这个连通性矩阵相当于一个图的邻接矩阵，其中脑电电极被认为是节点，连通性特征被认为是边的权重。由此产生的一个问题是节点的模糊性，即如何在连通性矩阵中排列电极。

根据电极在头皮上的位置来确定顺序，是因为考虑到容积传导效应，相邻脑区获得的脑电信号趋于相似，从而可以构造平滑的连通性矩阵。具体来说，从左额区的电极开始，选择最接近当前电极的电极作为下一个电极。对一个32通道EEG系统进行这种排序的结果如图2a所示。

图2 基于距离的排序方法

另一方面，人们普遍认为大脑左右半球的不对称性与情绪效价过程密切相关。因此，我们引入了描述半球不对称性的另一种排序方法。这也是从左前额区开始，向最接近的电极前进，但下一个电极只限于同一半球的电极。只有当同一半球没有可用的电极时，有序轨迹才能越过半球边界。图2b说明了这种排序方法的结果。这两种排序方法分别记为dist和dist-restr。

数据集和分类问题

DEAP (Database for Emotion Analysis using Physiological Signals)是情绪分类的最大数据集之一，在此研究中被使用。它包含32名受试者在观看40个情绪音乐视频时收集的32通道脑电信号。此外，对观看视频诱发的情绪状态的效价、唤醒、情绪化和支配程度进行量化的主观评分也被纳入数据集。图3即DEAP中视频的情绪特征在效价-唤醒层面上的得分。我们使用数据库中提供的经过预处理的脑电信号，降采样到128Hz，使用盲源分离技术去除眼动伪影，以及4到45Hz的带通滤波。

图3 DEAP中视频的情绪特征在效价和唤醒方面的得分(被试间平均)

对脑电信号进行带通滤波，分别提取delta ( 0 ~ 3 Hz )、theta ( 4 ~ 7 Hz )、low-alpha ( 8 ~ 9.5 Hz )、high-alpha ( 10.5 ~ 12 Hz )、alpha ( 8 ~ 12 Hz )、low-beta ( 13 ~ 16 Hz )、mid-beta ( 17 ~ 20 Hz )、high-beta ( 21 ~ 29 Hz )、beta ( 13 ~ 29 Hz )、gamma ( 30 ~ 50 Hz )等子频段。对这10个子频段得到的连通性矩阵沿纵轴叠加，因此输入数据的大小变为32×32×10 (电极个数×电极个数×子频段个数)。

我们将脑电信号分成3秒长的一段，重叠2.5秒，以获得足够数量的数据样本用于训练卷积神经网络。实验中将EEG数据随机分为训练集、验证集和测试集，它们分别占整个数据的80 %、10 %和10 %。验证集用于确定何时应该停止学习过程并选择最佳的卷积神经网络。

分类器

我们的卷积神经网络由四个具有修正线性单元(ReLU，rectified linear unit )激活函数的卷积层、两个最大池化层和一个全连接层组成，详见表2。我们采用两种不同大小的卷积核 ( s=3和5 )，并评估了核大小对分类性能的影响。将概率为0.5的dropout应用于全连接层和输出层，并在每个最大池层之后使用了批标准化。

表2 卷积神经网络结构

采用Adam算法进行训练，以交叉熵作为学习的损失函数。学习率最初设定为0.0001，每10个分段下降0.8倍。当验证损失在40个分段内不减少时停止训练，并使用显示最佳验证精度的网络进行测试。CNN模型和分类过程在PyTorch中实现。

结果

我们将此方法与这几种传统的方法进行了比较：利用熵特征或连通性特征( PCC、PLV或TE)的k近邻方法，利用信号功率特征或连通性特征的随机森林方法，以及利用连通性特征的具有512和256节点的两个神经网络。此外，我们将此与以二维功率谱密度拓扑结构为卷积神经网络输入的方法进行了比较，后者不考虑连通性。前人的图论卷积神经网络方法使用基于电极之间的距离和图上的信号熵特征的图结构，考虑给定图中潜在的连通性信息，但其假设所有数据的连通性结构是固定的。

分类结果见表3。本文使用的方法得到的分类精度显著高于随机机率(即2.5%)、传统分类器(k-最近邻、随机森林、神经网络)的精度以及不考虑连通性( PSD+CNN)的卷积神经网络方法的精度。零假设下的单样本Wilcoxon符号秩检验表明，本文方法的中位数精度与基线方法的精度相同，证实了本文方法的优越性(所有比较p<0.05)。特别地，传统的利用连通性特征的分类器效率不高，这说明分类器没有有效地利用连通性特征。其中，神经网络表现最差。由于连通性特征是高维的，与训练集数据量相比，神经网络包含的参数较多，可能导致过拟合。此外，我们的方法(PCC或PLV )优于图论卷积神经网络方法（后者同样考虑了连通性信息，但不考虑数据的特殊性），单样本Wilcoxon符号秩检验( p<0.01 )证实了这一点。这表明，利用每个样本特定的连通性信息是有益的。

表3 情感视频分类结果的准确性。s表示卷积神经网络的卷积核大小

通过增大内核大小可以提高分类性能。对于所有的连通性特征，s=5时的性能比s=3时的性能都有提升，表明通过卷积将输入信号聚集在较宽的区域内是有利的。但是，我们观察到较大的核 (s=7)并没有进一步提高精度，这很可能是由于需要训练的参数增加带来的负担以及较大的核带来的过平滑效应。

在所有排序方法和核大小的组合中，PLV指标表现出最好的性能，这意味着脑电信号的相位信息对情绪分析很重要。相比之下，在所有情况下，TE的精度都是最低的，其中一个可能的原因是TE的参数选择。因此，尽管TE取得了与基线相当或更好的结果，但仍期望通过给予更多的参数选择自由度来提高性能。

两种排序方法的分类性能没有显著差异。dist-restr排序方法对PCC的表现略好于PLV和TE，我们认为，虽然半球不对称有助于区分情绪状态的正负性，但在情绪视频分类中涉及的情绪的方面更加多样。

连通性矩阵的数据驱动排列

排列的影响

一般来说，连通性矩阵的排列影响卷积运算的结果，因为在卷积滤波器内部会同时考虑相邻连接值。例如，当卷积核的大小为3×3时，利用(i，k)处的元素与其8连接的元素计算(i，k)处卷积运算的输出。

此外，连通性矩阵必须对与任务无关的脑电信号变化具有鲁棒性，其取决于刺激的背景、先验经验、刺激的内容等。如果连通性矩阵中的相邻元素具有相似的功能意义，那么大脑反应的变化最多只能表现为卷积神经网络能够有效管理的模式的局部转换。

因此，需要仔细考虑连通性矩阵的排列，这是一个在其他领域不存在的新挑战。例如，图像的空间排列是根据像素所描述对象的物理结构来确定的，音频信号的频谱图的排列是由时间和频率来确定的。基于距离的排序有一定合理性，但不是最优的。

对于连通性矩阵的排序可以考虑两个方面的脑电信号：

(1)跨多个脑区的协作

(2)特定一对脑区之间的交互。

前者可以被认为是大脑连通性的全局模式，后者可以被认为是局部模式。在下面，我们提出了数据驱动的方法来描述这些连接模式。

数据驱动排序方法

受到前人文献的启发，我们使用一维标度(UDS，unidimensional scaling)来确定表达连通性的全局或局部特征的顺序。UDS操作将多维数据点赋予一维空间，同时尽可能保持它们之间的相对距离。数据点之间的距离由一个所谓的视差函数来定义，其依赖于排序的期望属性。

为了获得能够增强全局特性的排列(称为数据全局法)，我们将高连通性的电极放在一起。为此，UDS中使用的视差函数应与连通性指标相反。我们可以定义数据全局法的视差函数为：

其中Ci,k表示第i和第k个电极之间的连通性指标。例如，当使用连通性指标PLV，对于相位完全同步的信号(即PLV值为1)，视差函数为0，对于完全独立的信号，得到视差值为2。

这个视差函数被用作UDS的目标函数(称为归一化应力函数)，此函数为：

其中|li-lk|表示第i个和第k个电极投影在单维空间的欧氏距离。通过最小化目标函数得到连续值解( l1，…，lNe )，使视差函数值和在单维空间中的距离平均水平上变得尽可能相似。然后，我们丢弃距离信息，只保留解决方案中的顺序，脑电电极就按照新的顺序排列在连通性矩阵的各个水平和垂直方向。这种排序过程是利用MATLAB中的规则多维尺度包来实现的。

我们可以定义另一个视差函数来获得局部特征的顺序：

当使用PLV时，对于独立的和完全同步的信号对，分别产生0和1的视差值。同样地，利用该视差函数对归一化应力函数进行最小化，得到排序信息的解。在通过这种排序排列的连通性矩阵中，具有强正负连通的脑区被尽可能地分开，将具有零关联的区域被尽可能地紧密排列。这种连通性矩阵增强了连通性的局部模式，因此这种排序方法被称为数据局部法。

结果

表4报告了PCC和PLV在各种排序方法下的分类结果(这里不包括TE，因为TE的分类性能明显比其他排序方法差)。在使用PLV指标且核大小为5的情况下，采用数据全局法得到了87.36 %的最佳分类精度。同基于距离排序的结果一样，对于数据驱动排序排列的连通性矩阵，PLV和更大的核大小的优势是一致的。基于数据驱动的排序方法排列的连通矩阵比基于电极间距离的排序方法具有更好的分类性能，前者与后者相比，最佳精度提高了约7%。这说明前者更适合用于提取利用卷积神经网络进行情感视频分类的有用特征。在两种数据驱动的排序方法中，数据全局法有更高的分类精度，说明数据全局法描述的全局连通模式对情感视频分类更有效。

表4 数据驱动的排序方法与基于距离的排序方法的结果对比，表中值为情感视频分类的正确率( % )

利用McNemar检验对分类精度的差异进行了统计评估，从而可以对不同排序方法得到的分类结果的敏感性和特异性进行两两比较。其结果(1个自由度的χ2值)汇总于表5和表6。可以观察到，不同排序方法的分类性能存在显著差异，唯一的例外是核大小为3的PCC，其dist和dist-restr之间没有显著差异。

表5 PCC McNemar检验后的χ2值

表6 PLV McNemar检验后的χ2值

结论

本文提出了一种在卷积神经网络中使用基于脑电信号的大脑连通性的新方法。我们证明了所提出的方法对于情绪视频分类任务的重要性，并比较了反映大脑连通性不同方面的三种连通性指标。此外，为了优化连通性矩阵的排列，引入了数据驱动的方法，与基于脑电电极位置的连通性矩阵排列相比，其分类性能有了显著提高。我们对分类结果进行了进一步的分析解释，明确了连通矩阵的排列方式对分类性能的影响。分类表现因目标类别(即视频)而存在显著差异，可由视频诱发的情绪效价来解释。我们发现，低效价或高效价视频的分类性能与连通性矩阵中相关连接发生率的集中程度相关。也就是说，当相关连接发生位置较近时，情感视频分类的可区分特征容易被有效捕获。

虽然我们在此工作中只处理了情感视频分类任务，但我们相信所提出的方法也可以成功地应用于其他情感状态分类和预测任务。我们的初步结果证实了卷积神经网络使用连通性特征进行情感视频分类和视频诱导效价分类的有效性。此外，我们的分析表明，在使用连通性特征的卷积神经网络上面，基于数据驱动的排序方法是成功的，主要是由于其有效地处理了与情感(即效价)相关的连接模式。

未来，不同任务的连通性矩阵和数据驱动排序方法的有效性将得到验证。将我们的方法应用于fMRI、MEG、fNIRS等其他脑成像模式也会是很有趣的。

如需原文及补充材料请添加思影科技微信：siyingyxf 或者18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。觉得对您的研究有帮助，请给个转发，以及右下角点击一下在看，是对思影科技莫大的支持。

微信扫码或者长按选择识别关注思影

非常感谢转发支持与推荐

利用脑电连通性特征和卷积神经网络的情绪分类相关推荐

图谱特征与卷积神经网络的名优大米无损鉴别
图谱特征与卷积神经网络的名优大米无损鉴别 1.发现问题对优质大米掺假甚至以次充好,损害了消费者利益和大米贸易,打击了生产者的生产积极性. 2.研究思路采集了全国具有代表性的七种名优大米400-1 ...
解读：基于图卷积特征的卷积神经网络的股票趋势预测（文末赠书）
写在前面下面这篇文章的内容主要是来自2020年发表于Information Science 的一篇文章<A novel graph convolutional feature based co ...
多特征分支卷积神经网络在心梗心电图诊断中的应用
Multiple-feature-branch convolutional neural network for myocardial infarction diagnosis using elect ...
IEEE：基于轻量级特征增强卷积神经网络的低空小目标检测
论文下载:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9574645 Abstract 无人机(UAV)被称为" ...
论文阅读：Convolutional Neural Networks for Sentence Classification 卷积神经网络的句子分类
Convolutional Neural Networks for Sentence Classification 卷积神经网络的句子分类目录 Convolutional Neural Networ ...
使用卷积神经网络进行文本分类textCNN
使用卷积神经网络进行文本分类textCNN 一维卷积层我们可以将文本当作一维图像,从而可以用一维卷积神经网络来捕捉临近词之间的关联.与二维卷积层一样,一维卷积层使用一维的互相关运算.在一维互相关运算 ...
卷积神经网络在句子分类上的应用[翻译]
最近翻译几篇paper,也算逼着自己多看看文章.对于一些概念的理解不够透彻可能导致翻译不准确,以及某些术语实在也是找不到合适的中文词,可能会有些别扭或索性没翻.大家将就着看.哪位大神看到了,如有不足还 ...
基于卷积神经网络的句子分类模型【经典卷积分类附源码链接】
https://www.toutiao.com/a6680124799831769603/ 基于卷积神经网络的句子分类模型题目: Convolutional Neural Networks for ...
基于卷积神经网络的高光谱分类 CNN+高光谱+印度松数据集
基于卷积神经网络的高光谱分类一.研究现状只考虑到高光谱图像的光谱特征,即: 1.提取特征(小波变换.Gabor纹理分析.形态学剖面) 2.利用分类方法分类(支持向量机.决策树.随机森林.神经网络) ...

利用脑电连通性特征和卷积神经网络的情绪分类

利用脑电连通性特征和卷积神经网络的情绪分类相关推荐

最新文章

热门文章