Recently, deep neural networks (DNNs) have shown the remarkable success of feature representations in computer vision, audio analysis, and natural language processing. Furthermore, DNNs have been used for electroencephalography (EEG) signal classification in recent studies on brain–computer interface. However, most works use one-dimensional EEG features to learn DNNs that ignores the local information within multichannel or multiple frequency bands in the EEG signals. In this paper, we propose a novel emotion recognition method using a convolutional neural network (CNN) while preventing the loss of local information. The proposed method consists of two parts. The first part generates topology-preserving differential entropy features while keeping the distance from the center electrode to other electrodes. The second part learns the proposed CNN to estimate three-class emotional states (positive, neutral, negative). We evaluate our work on SEED dataset, including 62-channel EEG signals recorded from 15 subjects. Our experimental results demonstrate that the proposed method achieved superior performance on SEED dataset with an average accuracy of 90.41% with the visualization of extracted features from the proposed CNN using t-SNE to show our representation outperforms the other representations based on standard features for EEG analysis. Besides, with the additional experiment on VIG dataset to estimate the vigilance of EEG dataset, we show the off-the-shelf availability of the proposed method.

中文翻译：

---

从DE特征中学习CNN特征以进行基于EEG的情绪识别

最近，深度神经网络（DNN）在计算机视觉，音频分析和自然语言处理中显示了功能表示的非凡成功。此外，在最近的脑机接口研究中，DNN已用于脑电图（EEG）信号分类。但是，大多数作品使用一维EEG功能来学习DNN，而DNN会忽略EEG信号中多通道或多个频带内的本地信息。在本文中，我们提出了一种新的使用卷积神经网络（CNN）的情感识别方法，同时防止了本地信息的丢失。所提出的方法包括两部分。第一部分产生保留拓扑的差分熵特征，同时保持从中心电极到其他电极的距离。第二部分学习拟议的CNN来估计三类情绪状态（积极，中性，消极）。我们评估我们在SEED数据集上的工作，包括从15位受试者记录的62通道EEG信号。我们的实验结果表明，该方法在SEED数据集上具有卓越的性能，平均准确度为90.41％，并且使用t-SNE可视化了从所提议的CNN提取的特征，以显示我们的表示优于其他表示（基于EEG分析的标准特征） 。此外，通过在VIG数据集上进行额外的实验来估计EEG数据集的警惕性，我们展示了该方法的现成可用性。包括从15位受试者记录的62通道脑电信号。我们的实验结果表明，该方法在SEED数据集上具有卓越的性能，平均准确度为90.41％，并且使用t-SNE可视化了从所提议的CNN提取的特征，以显示我们的表示优于其他表示（基于EEG分析的标准特征） 。此外，通过在VIG数据集上进行额外的实验来估计EEG数据集的警惕性，我们展示了该方法的现成可用性。包括从15位受试者记录的62通道脑电信号。我们的实验结果表明，该方法在SEED数据集上具有卓越的性能，平均准确度为90.41％，并且使用t-SNE可视化了从所提议的CNN提取的特征，以显示我们的表示优于其他表示（基于EEG分析的标准特征） 。此外，通过在VIG数据集上进行额外的实验来估计EEG数据集的警惕性，我们展示了该方法的现成可用性。41％的人使用t-SNE可视化了从拟议CNN中提取的特征，以显示我们的表示优于基于EEG分析的标准特征的其他表示。此外，通过在VIG数据集上进行额外的实验来估计EEG数据集的警惕性，我们展示了该方法的现成可用性。41％的人使用t-SNE可视化了从拟议的CNN中提取的特征，以显示我们的表示优于基于EEG分析的标准特征的其他表示。此外，通过在VIG数据集上进行额外的实验来估计EEG数据集的警惕性，我们展示了该方法的现成可用性。