基于混合主胶囊卷积神经网络的多模态生理信号情感分类新方法

本文推荐一种创新的情感识别模型，通过自通道注意力生成对抗网络（SCA-GAN）增强数据，结合混合复数双树快速提升小波变换（CTFL-WT）实现信号-图像转换，并采用位置注意力SqueezeNet（PASN）和自适应算术优化（AAO）进行特征提取与选择，最终由混合主胶囊CNN（HPC-CNN）分类，在WESAD数据集上取得99.4%准确率，为多模态生理信号情感分析提供高精度解决方案。

　　

亮点

本研究提出了一种突破性的情感识别模型，其创新性体现在：

• 混合主胶囊CNN（HPC-CNN）：将胶囊网络与传统卷积架构结合，实现分类精度飞跃

• 高级预处理技术：多重滤波方法有效提升信号信噪比

• 数据增强：自通道注意力生成对抗网络（SCA-GAN）通过空间注意力（SA）和通道注意力（CA）机制平衡数据集

• 高效特征提取：轻量级位置注意力SqueezeNet（PASN）精准捕捉特征，配合自适应算术优化（AAO）筛选最优特征组合

• 全面评估：在公开数据集WESAD上验证，以99.4%准确率超越现有技术

结论

本研究构建的新型情感检测模型成功实现了对愉悦、平静和压力状态的分类。通过预处理EDA（皮肤电活动）、ECG（心电图）、EMG（肌电图）和Resp（呼吸）信号，经SCA-GAN数据增强和CTFL-WT图像转换后，HPC-CNN最终将信号分类为三种情感状态，为情感计算领域提供了可靠的技术路径。

作者贡献声明

Anushka Pradhan：负责可视化、资源整合、形式化分析、论文审阅与验证、方法论设计、初稿撰写、软件实现及数据调研。Subodh Srivastava：负责研究指导。

利益冲突声明

作者声明不存在可能影响本研究的财务或个人关系。