基于机器学习的脑电图（EEG）信号分析框架，用于提升情绪状态检测的准确性

《Cognitive Neurodynamics》：A machine learning-based EEG signal analysis framework to enhance emotional state detection

机器学习模型用于从300例EEG信号中检测情绪状态，结合GAN、SMOTE和ADASYN生成20,000合成数据点。对比九种模型（LR/DT/RF/kNN/SVM/LGBM/AdaBoost/MLP/1D CNN）发现MLP在五组混合数据集（Original+GAN/SMOTE/ADASYN等）中表现最优，测试准确率98.8%，延迟1.8-4.8ms。验证合成数据可加速模型训练并提升精度。

　　

摘要

本研究旨在提出一种基于机器学习的方法，通过利用多种具有不同参数设置的机器学习模型来检测脑电图（EEG）信号中的情绪状态，以获得最佳效果。本研究采用了九种机器学习模型，包括逻辑回归（LR）、决策树（DT）、随机森林（RF）、k-最近邻（kNN）、支持向量机（SVM）、轻量级梯度提升机（LGBM）、自适应提升（AdaBoost）、多层感知器（MLP）和一维卷积神经网络（1D CNN）。实验使用了包含300名患者EEG信号的数据集。此外，还利用生成对抗网络（GAN）、合成少数类过采样技术（SMOTE）和自适应合成采样（ADASYN）生成了多个包含20,000个数据点的合成数据集。真实数据集和合成数据集均被用于模型的训练、测试和验证。通过比较各种模型的性能，发现在这5个不同的数据集（原始数据集、原始数据集+GAN、原始数据集+SMOTE、原始数据集+ADASYN、原始数据集+GAN+SMOTE+ADASYN）中，MLP模型具有最高的准确率和效率。其测试准确率为98.8%，延迟时间仅在1.8ms至4.8ms之间。在机器学习和深度学习模型中使用合成数据可以缩短处理流程并提高准确性。本研究的结果很有前景，对医生和医疗专业人员具有潜在的益处。