TY - JOUR A2 - Dauwels, Justin AU - Chao, Hao AU - Zhi, Huilai AU - Dong, Liang AU - Liu，基于dbn - gc的集成深度学习框架SP - 9750904 VL - 2018 AB -融合多通道神经生理信号识别人类情绪状态越来越受到关注。传统的方法忽略了脑电图信号的时域、频域和时频特征之间的互补性，不能完全捕获不同通道之间的相关信息。本文提出了一种基于改进神经胶质链深度信念网络(dbn - gc)的集成深度学习框架。在该框架中，利用成员dbn - gc分别从多个域提取脑电原始特征的中间表示，并通过神经胶质链挖掘通道间的相关信息。然后，将描述时域特征、频域特征和时频特征的高级特征通过判别限制玻尔兹曼机(RBM)融合实现情感识别任务。在DEAP基准数据集上进行的实验表明，唤醒和价态分类的平均准确率分别为75.92%和76.83%。结果表明，该框架的分类性能优于上述大多数深度分类器。因此，该框架的潜力得到了证明。SN - 1687-5265 UR - https://doi.org/10.1155/2018/9750904 DO - 10.1155/2018/9750904