ACM MM：如何构建基于情感脑电信号时-频-空特征的3D密集连接网络？
- 内容介绍
- 文章标签
- 相关推荐
本文共计3504个文字，预计阅读时间需要15分钟。
本文介绍了一篇关于计算机领域顶级会议ACM-MM 2020发表的论文《SST-EmotionNet：基于空间-光谱-时间注意力的3D密集网络用于EEG情绪识别》。该研究提出了一种基于注意力机制的3D密集网络（3D Dense Network），用于EEG情绪识别。
本文介绍一篇于计算机领域顶级会议ACM MM 2020发表的论文《SST-EmotionNet: Spatial-Spectral-Temporal based Attention 3D Dense Network for EEG Emotion Recognition》，该研究提出了一种基于注意力机制的3D DenseNet对多媒体刺激产生的情感脑电信号进行分类，该模型在统一的框架下同时提取数据中的空间、频率、时间特征；并且设计了一种3D注意机制来自适应地探索具有判别力的局部模式提升情绪分类效果，在现有的多个数据集上分类表现均为最优。该文提出的模型是一个多变量脑电信号的通用框架，可以被拓展到其余信号分类任务中。
第一作者：
贾子钰，北京交通大学计算机与信息技术学院博士生，指导老师是林友芳教授和王晶副教授；计划于2021年在麻省理工学院进行博士联合培养，指导老师是Roger Mark教授（IEEE Fellow）；主要研究兴趣集中于生理信号的分析与挖掘、深度学习理论与方法研究；目前已于IJCAI、ACM MM、ICDM、ECML-PKDD等会议或期刊发表论文8篇。
本文共计3504个文字，预计阅读时间需要15分钟。
本文介绍了一篇关于计算机领域顶级会议ACM-MM 2020发表的论文《SST-EmotionNet：基于空间-光谱-时间注意力的3D密集网络用于EEG情绪识别》。该研究提出了一种基于注意力机制的3D密集网络（3D Dense Network），用于EEG情绪识别。
本文介绍一篇于计算机领域顶级会议ACM MM 2020发表的论文《SST-EmotionNet: Spatial-Spectral-Temporal based Attention 3D Dense Network for EEG Emotion Recognition》，该研究提出了一种基于注意力机制的3D DenseNet对多媒体刺激产生的情感脑电信号进行分类，该模型在统一的框架下同时提取数据中的空间、频率、时间特征；并且设计了一种3D注意机制来自适应地探索具有判别力的局部模式提升情绪分类效果，在现有的多个数据集上分类表现均为最优。该文提出的模型是一个多变量脑电信号的通用框架，可以被拓展到其余信号分类任务中。
第一作者：
贾子钰，北京交通大学计算机与信息技术学院博士生，指导老师是林友芳教授和王晶副教授；计划于2021年在麻省理工学院进行博士联合培养，指导老师是Roger Mark教授（IEEE Fellow）；主要研究兴趣集中于生理信号的分析与挖掘、深度学习理论与方法研究；目前已于IJCAI、ACM MM、ICDM、ECML-PKDD等会议或期刊发表论文8篇。