利用脑波和深度学习分析智能手机过度使用情感(2017)

Kim,Seul-Kee和Hang-Bong Kang。 神经计算 (2017)。

亮点

•智能手机成瘾风险组(13科目)和非风险组(12科目)观看了描述轻松,恐惧,快乐和悲伤概念的视频。

•风险组在脑电图中比非风险组更不情绪化。 特别是,在认识恐惧时,风险组和非风险组之间出现明显差异。

•我们评估了11肺叶中θ,α,β,γ和总活动的不对称能力,γ带在风险组和非风险组之间最明显不同。

•我们发现额叶,顶叶和颞叶的活动测量值是情绪识别的指标。

•通过深入的信念网络,我们确认风险组在低价和唤醒方面具有更高的准确性; 另一方面,非风险组在高效和唤醒方面具有更高的准确性。

抽象

过度使用智能手机正日益成为一个社会问题。 在本文中,我们通过检查脑波和深度学习来分析智能手机过度使用水平。 我们评估了11叶中θ,α,β,γ和总脑波活动的不对称能力。 深度信念网络(DBN)被用作深度学习方法,以及k-最近邻居(kNN)和支持向量机(SVM),以确定智能手机成瘾水平。 风险组(13科目)和非风险组(12科目)观看了描述以下概念的视频:放松,恐惧,快乐和悲伤。 我们发现风险组在情绪上比非风险组更不稳定。 在承认恐惧时,风险组和非风险组之间出现明显差异。 结果显示,γ带在风险组和非风险组之间最明显不同。 此外,我们证明了额叶,顶叶和颞叶中的活动测量值是情绪识别的指标。 通过DBN,我们确认这些测量在非风险组中比在风险组中更准确。 风险组在低价和唤醒方面具有更高的准确性; 另一方面,非风险组在高效和唤醒方面具有更高的准确性。

关键词

  • 深刻的信念网络
  • 脑电图(EEG)
  • 情感识别
  • 智能手机过度使用