EEG Classification Model for Emotion Detection Using Python
EEG Classification Model for Emotion Detection Using Python
This thesis deals with the task of recognizing emotions from electroencephalogram (EEG). Two models were trained for binary classification of emotions, where one classifies neutral emotion or fear and the other classifies happiness or sadness. During the work on this thesis many different architectures were tried, and the best result was obtained using a model with two branches of CNN-LSTM connected before the output layer. The resulting accuracy was 87.309% for sad-happy classification and 84.865% for neutral-fear emotion.
Táto práca sa zaoberá rozoznávaním emócií z elektroencefalogramu (EEG). Dva modely na binárnu klasifikáciu emócií, kde jeden model klasifikuje neutrálnu emóciu alebo strach a druhý šťastie a smútok. Počas práce boli vyskúšané mnohé rôzne architektúry, pričom najlepšie výsledky boli dosiahnuté modelom pozostávajúcim z dvoch vetiev KNN-LSTM spojenými pred výstupnou vrstvou. Výsledná presnosť bola 87.309% na klasifikáciu šťastia a smútku a 84.865% na klasifikáciu neutrálnej emócie a strachu.
A
- Brno University of Technology Czech Republic
GRU, deep learning, Electroencephalography, hlboké učenie, strojové učenie, Elektroencefalografie, emo- tion classification, rekurentné neurónové siete, konvolučné neurónové siete, machine learning, rozoznávanie emóciií, emotion recognition, convolutional neural networks, klasifiká- cia emócií, recurrent neural networks, EEG, nespracované EEG, LSTM, raw EEG, CNN
GRU, deep learning, Electroencephalography, hlboké učenie, strojové učenie, Elektroencefalografie, emo- tion classification, rekurentné neurónové siete, konvolučné neurónové siete, machine learning, rozoznávanie emóciií, emotion recognition, convolutional neural networks, klasifiká- cia emócií, recurrent neural networks, EEG, nespracované EEG, LSTM, raw EEG, CNN