黃永慶周 強

(陜西科技大學電氣與控制工程學院，陜西 西安710021)

情緒(emotion，EM)是一個心理到生理的過程，是人體在受到一定刺激之后自身產(chǎn)生的一種生理反應(yīng)，同時也是一種信息的傳遞。情緒分析已成為人工智能領(lǐng)域一個研究熱門，在公共安全、交通安全、醫(yī)療看護以及人機交互等方面有著廣泛的應(yīng)用前景[1]。人體的情緒狀態(tài)可通過面部表情、肢體動作等非生理指標以及血壓、腦電等生理指標來辨識。由于非生理指標具有主觀性，且可通過訓練瞞過他人，另外自閉癥、肢體機能喪失等人群無法自主表達情緒，所以通過非生理指標判斷情緒狀態(tài)具有一定的局限性。而通過生理指標判斷情緒狀態(tài)具有更高的可靠性和更強的表征性[2]，其中腦電信號(Electroencephalogram，EEG)包含信息豐富、采集便捷，作為情緒生理指標判別依據(jù)受到越來越多研究者的歡迎。

基于EEG辨別情緒的方法主要分為傳統(tǒng)機器學習和深度學習兩類。傳統(tǒng)機器學習是情緒辨別前期研究的主要方法，文獻[3]提取EEG的功率譜密度作為特征，選用SVM為分類器，對快樂、生氣、悲傷、欣喜四種情緒狀態(tài)進行分類，準確率達到82.29%；文獻[4]提取頻譜特征，使用KNN分類器，對積極、消極、中性三種情緒分類得到82%的準確率。由于傳統(tǒng)機器學習的效果依賴于人工設(shè)計的特征量質(zhì)量，而EEG是一種具有強非線性的非平穩(wěn)隨機信號，隱藏于EEG中的特征量通常難以挖掘，這使得基于傳統(tǒng)機器學習的情緒辨識方法精度難以進一步提升。深度學習方法具有自動生成由網(wǎng)絡(luò)淺層到深層、由具體到抽象的多層結(jié)構(gòu)特征，從而有效地避免了繁瑣的人工提取特征工作，使得越來越多的情緒辨識研究者將目光從傳統(tǒng)機器學習聚焦到深度學習上。2017年，華南理工大學的Rui等人使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)的方法對DEAP數(shù)據(jù)集中的EEG進行了情感識別，達到了87.27%的平均識別精度[5]。2019年，德國博爾斯特－萊布尼茨研究中心的Fadi等人使用CNN的方法分別對DEAP數(shù)據(jù)集和MAHNOB數(shù)據(jù)集進行情感識別，分別達到了82%和78%的識別精度[6]。然而，大多數(shù)情緒辨別的研究尚集中在單一CNN網(wǎng)絡(luò)模型上，雖然CNN網(wǎng)絡(luò)具有較強的頻域、空域特征提取能力，但其時域特征的分析能力相對薄弱，而EEG這類時間序列信號中隱含著一定量的時域信息，單一的CNN網(wǎng)絡(luò)結(jié)構(gòu)難免會遺漏部分EEG的時域信息，這使得基于CNN網(wǎng)絡(luò)的情緒EEG辨識方法辨識精度尚有較大提升空間。而循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)中的門控循環(huán)單元(Gated Recurrent Unit，GRU)恰好與CNN的功能互補，雖然無法表達頻域和空域信息，卻善于處理時域信息。

因此本文提出“卷積神經(jīng)網(wǎng)絡(luò)＋門控循環(huán)單元”融合模型，在時域、頻域和空域廣闊的特征空間上進行情緒腦電信號(EM-EEG)辨識。并在公開SEED IV情緒數(shù)據(jù)集[7]上展現(xiàn)了優(yōu)異的辨識能力，相比使用單一CNN網(wǎng)絡(luò)辨識情緒準確率提高了3%。最后，本文構(gòu)建了情緒數(shù)據(jù)采集平臺并設(shè)計情緒誘導實驗以生成情緒數(shù)據(jù)集，并在自采集的四分類情緒數(shù)據(jù)上驗證了本方法的泛化能力和魯棒性。

1 本文方法思路

1.1 EM-EEG辨識中的難點問題

1.1.1 EM-EEG現(xiàn)有情緒辨識方法辨識率較低

EEG是一種淹沒在噪聲中、具有模型非線性和強非平穩(wěn)隨機性的微弱信號[8]，使得傳統(tǒng)機器學習方法捕捉其中的情緒特征進而實現(xiàn)情緒精確辨識難度巨大；由于EM-EEG的特征分布在頻域、時域和空域等特征空間上，當前單一結(jié)構(gòu)的深度學習網(wǎng)絡(luò)難以實現(xiàn)多特征空間的分類，因而情緒辨識率的精度仍不理想。雖然EM-EEG的情緒二分類和三分類辨識精度最高可以達到90%，但是在四分類及以上的情緒分類上準確率還普遍較低。

1.1.2 EM-EEG現(xiàn)有方法的泛化能力和魯棒性差

目前，廣泛使用的基于各類CNN模型的EMEEG分類辨識方法，通常是針對某一數(shù)據(jù)庫進行網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計，并在該數(shù)據(jù)庫上進行網(wǎng)絡(luò)學習的，獲得的網(wǎng)絡(luò)模型在該網(wǎng)絡(luò)上表現(xiàn)出良好的情緒分類效果。但由于不同數(shù)據(jù)庫間樣本的分布規(guī)律不盡相同，該網(wǎng)絡(luò)模型在其他數(shù)據(jù)庫上的情緒預測精度大大下降，網(wǎng)絡(luò)泛化能力較差。此外，由于訓練樣本數(shù)據(jù)庫和待測數(shù)據(jù)庫中噪聲類型和幅度差異，網(wǎng)絡(luò)模型的性能下降顯著，魯棒性較差。

1.2 CNN-GRU融合網(wǎng)絡(luò)的EM-EEG辨識方法思路

對于1.1中存在的難點問題，本文提出卷積神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元相結(jié)合的CNN-GRU融合網(wǎng)絡(luò)。利用CNN良好的空間擴展性能，其神經(jīng)元與特征卷積運算能夠有效提取頻域和空域上的信息；而GRU通過時間拓展，神經(jīng)元與多個時間輸出計算，可用于描述時間上連續(xù)狀態(tài)的輸出，并有記憶功能。因此將CNN與GRU結(jié)合可以同時得到頻域、空域和時域的信息特征，提取到的EM-EEG特征信息更全面，故本文使用CNN-GRU融合網(wǎng)絡(luò)對EM-EEG進行分類和辨別，該方法的原理如圖1所示。

圖1 基于CNN-GRU融合網(wǎng)絡(luò)的EM-EEG辨別方法原理圖

本文方法的研究流程如圖2所示。首先利用本文提出的CNN-GRU融合網(wǎng)絡(luò)模型在公開數(shù)據(jù)集SEED IV上進行訓練和測試，實現(xiàn)對四類情緒的辨識，之后設(shè)計情感誘發(fā)實驗生成自采EM-EEG數(shù)據(jù)集，利用CNN-GRU網(wǎng)絡(luò)模型在自采EM-EEG數(shù)據(jù)集上進行實驗，驗證網(wǎng)絡(luò)的泛化能力，最后以自采EM-EEG數(shù)據(jù)集作為測試集，對在SEED IV公開數(shù)據(jù)集訓練的CNN-GRU網(wǎng)絡(luò)模型進行測試，驗證網(wǎng)絡(luò)的魯棒性。

圖2 本文方法的研究流程

2 CNN-GRU融合網(wǎng)絡(luò)EM-EEG辨識方法實現(xiàn)

2.1 搭建CNN-GRU網(wǎng)絡(luò)模型

本文方法中CNN-GRU融合網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。該融合網(wǎng)絡(luò)由一個CNN網(wǎng)絡(luò)和一個GRU網(wǎng)絡(luò)串接構(gòu)成，其中CNN由三層卷積、三層池化和一層全連接組成，兩層結(jié)構(gòu)的GRU網(wǎng)絡(luò)連接在CNN網(wǎng)絡(luò)全連接層之后。融合網(wǎng)絡(luò)既保留了CNN網(wǎng)絡(luò)的頻域和空域處理能力，又增加了GRU網(wǎng)絡(luò)時序上的解釋性。

圖3 CNN-GRU融合網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 EM-EEG辨識工作步驟

本文利用CNN-GRU融合網(wǎng)絡(luò)實現(xiàn)EM-EEG辨識的過程如圖4所示。

圖4 EM-EEG辨識流程圖

預處理:由于EEG幅值一般只有50 μV左右，采集時很容易受到干擾產(chǎn)生偽跡，干擾一般來源于空間電磁干擾、腦電采集設(shè)備工作時自身影響以及實驗人員心電、眼電等三方面[9]。因此為了避免外界干擾和保證EEG的相對純凈，在實驗過程中需要先對其進行預處理，去除偽跡。通過采集得到的EEG數(shù)據(jù)上包含各個采集通道信息和不同時刻對應(yīng)的EEG數(shù)值，將其預處理之后作為融合網(wǎng)絡(luò)的輸入數(shù)據(jù)。

網(wǎng)絡(luò)初始化:由于各個通道的差異性導致采集數(shù)據(jù)的數(shù)值大小差異巨大，為提高訓練的準確性，將樣本數(shù)據(jù)進行歸一化處理，之后按照比例6∶2∶2分為訓練集、驗證集和測試集，樣本標簽使用one-hot編碼轉(zhuǎn)換為二進制(0和1)表示。網(wǎng)絡(luò)每層具體參數(shù)如表1所示，三層卷積核大小均為3，步長均為1，使用線性整流Relu激活函數(shù)，以防止梯度消失，增加網(wǎng)絡(luò)的非線性，使網(wǎng)絡(luò)訓練更快；池化層使用MaxPooling最大池化層，核大小均為2，Maxpooling具有平移不變性的特點，在保留主要特征的同時可以減少參數(shù)進行降維，防止過擬合；GRU層的激活函數(shù)使用雙曲正切函數(shù)Tanh，輸出映射在[－1，1]之間，輸出范圍有限，優(yōu)化穩(wěn)定。

表1 CNN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)設(shè)置

CNN頻域特征提取:對輸入矩陣數(shù)據(jù)進行卷積運算，也就是通過一定權(quán)重的卷積核對矩陣進行內(nèi)積運算，內(nèi)積之后的輸出就是頻域特征之一，由于卷積核的數(shù)目眾多，所以卷積之后會提取到各種不同的頻域特征。在卷積過程中利用了圖片空間上的局部相關(guān)性，使得對輸入數(shù)據(jù)特征的自動提取。每層卷積之后會使用MaxPooling來減少參數(shù)量，加快計算過程。

GRU時域特征提取:經(jīng)過多次的卷積和池化提取到更細致頻域空域特征之后，將其作為GRU網(wǎng)絡(luò)的輸入數(shù)據(jù)，其中GRU的更新門輸出接近0說明上一層隱藏狀態(tài)的某個信息在該隱藏層被遺忘，接近1則說明該隱藏層繼續(xù)保留。GRU的重置門接近0時，說明上一時刻某個信息在當前記憶內(nèi)容中被遺忘，接近1則說明在當前記憶內(nèi)容中繼續(xù)保留。之后將兩部分信息相加經(jīng)過tanh激活函數(shù)，將結(jié)果歸一化到[－1，1]之間。所以該時刻的記憶內(nèi)容由兩部分組成，一部分是重置門存儲過去相關(guān)重要信息，另一部分是加上當前時刻輸入的重要信息，這兩部分組成了當前時刻的所有記憶內(nèi)容，對時域特征進行提取。

情緒辨識:含有頻域和空間特征的EEG經(jīng)過2層GRU單元提取時域信息之后，使用Softmax激活函數(shù)輸出情緒狀態(tài)，將輸出的情緒狀態(tài)與標簽對比，再進行反向計算，如此反復多次之后輸出辨別的情緒狀態(tài)。

3 實驗過程及結(jié)果分析

3.1 實驗條件

3.1.1 具有自采集EM-EEG功能的平臺

硬件平臺:使用Intel(R)Core(TM)i9－9900k 3.36GHz處理器、32GB運行內(nèi)存、GPU采用NVIDIA RTX 2080Ti。

軟件平臺:使用Python3.7編程語言和Keras深度學習框架。

自采EEG實驗平臺:腦電采集設(shè)備采用EMOTIV公司的EPOC FLEX Gel Sensor Kit 34導聯(lián)(包含2個參考電極)腦電儀，采樣頻率為128Hz，腦電軟件為EMOTIV PRO。

3.1.2 公開數(shù)據(jù)集＋自采集情感數(shù)據(jù)集

①SEED IV數(shù)據(jù)集

SEED IV數(shù)據(jù)集使用不同電影片段作為四種情緒(平和、悲傷、恐懼、高興)的素材庫，共有15名參與者，為每位參與者在不同的時間設(shè)計了三個不同的會話，每個會話包含4個實驗(每種情緒6個實驗)。

②自采數(shù)據(jù)集

本文自行設(shè)計情緒誘導實驗以建立EM-EEG數(shù)據(jù)庫，實驗過程如圖5所示。

圖5 EM-EEG誘導實驗

刺激源:本文選用與SEED IV第一次會話數(shù)據(jù)集相同的四種情緒視頻片段，其視頻組成如表2所示(0:平和，1:悲傷，2:恐懼，3:高興)，在進行錄制之前參與人員被告知實驗內(nèi)容，正式采集之前會播放一段空白畫面，讓參與者處于一個平靜的狀態(tài)下。實驗采集過程如圖6所示。

圖6 實驗錄制過程

表2 情緒實驗所用電影片段來源

錄制設(shè)備:實驗設(shè)備采用EPOC FLEX Gel Sensor Kit腦電儀，該設(shè)備優(yōu)點在于使用者佩戴舒適。實驗軟件為EMOTIV PRO，可實時查看和記錄佩戴者的腦電數(shù)據(jù)，以及每個通道的連接質(zhì)量，如圖7所示。

圖7 通道連接質(zhì)量示意圖

參與者:本次實驗我們邀請了12名(6名男性，6名女性)與本研究無關(guān)人員，均為在校學生。所有實驗人員均通過了艾森克人格問卷[10]，能夠產(chǎn)生穩(wěn)定情緒，身心健康，右利手，聽力和視力均正常。

錄制過程:實驗開始之前邀請參與人員佩戴腦電帽，并涂抹導電膏，確保每個通道連接質(zhì)量完好。提前告知在采集過程中盡量避免不必要的肢體動作和移動，并在旁邊使用第三視角攝像頭錄制參與人員面部表情變化。錄制規(guī)則如圖5中所示，每個電影剪輯都有5 s的開始提示，之后觀看視頻2 min，最后有一個45 s的自我評估，記錄參與者的感受，作為后期參考。所有試驗采集均在低噪聲環(huán)境進行，盡可能避免環(huán)境噪聲和電磁的干擾。

數(shù)據(jù)篩選:由于包含一些與情緒無關(guān)聯(lián)的EEG，所采集到的EM-EEG數(shù)據(jù)可能無法直接使用。例如，對于連接質(zhì)量相對較差的時間段在數(shù)據(jù)提取時應(yīng)將其去除，減少錯誤數(shù)據(jù)。根據(jù)第三視角分析參與者的面部表情變化，與情緒素材主體差異較大的部分給予去除。

3.2 模型訓練

3.2.1 EM-EEG偽跡去除

EEG主要由δ、θ、α、β、γ五種節(jié)律波組成，對于不同狀態(tài)下每種節(jié)律波的比重也是不同的[11]，具體劃分如表3所示。此外在EM-EEG數(shù)據(jù)使用CNNGRU融合網(wǎng)絡(luò)進行分類辨識之前，對EEG數(shù)據(jù)進行去噪，本文選用具有“數(shù)學顯微鏡”之稱的小波變換去除偽跡。消噪過程中使用Wden小波函數(shù)，采用heursure軟閾值，選用db4小波進行6層分解，之后對其進行小波逆變換重構(gòu)信號，得到去除高頻噪聲之后的EEG，圖8從上到下依次為原始EEG、db4小波去噪后的EEG和db4小波分解得到的原始EEG中的噪聲信號。

表3 腦電頻率劃分

圖8 原始EEG、小波去噪后EEG和噪聲信號

對去噪后EEG數(shù)據(jù)使用Python中Numpy庫進行批量化處理，得到矩陣大小為(151 840，62，200)的數(shù)據(jù)，其中151 840表示四種情緒辨別樣本個數(shù)，62表示腦電采集的通道數(shù)，200表示腦電裝置采集頻率，將每秒200個腦電數(shù)據(jù)作為一個樣本，標簽與樣本一一對應(yīng)。

3.2.2 CNN-GRU融合網(wǎng)絡(luò)超參數(shù)設(shè)置

本文采用網(wǎng)格搜索法對CNN網(wǎng)絡(luò)模型超參數(shù)進行自動選擇，通過查找搜索提前設(shè)置的部分超參數(shù)值來確定最優(yōu)值，如表4所示。

表4 網(wǎng)格搜索的最優(yōu)超參

其中需要優(yōu)化的超參如表4第一列所示，包含學習率(learning rate)、正則化的權(quán)值系數(shù)λ(regularization rate)、各層丟棄率(dropout rate)、迭代次數(shù)(epochs)和三個卷積層中卷積核的個數(shù)(Conv＿deep)。自動調(diào)參算法首先需預設(shè)待優(yōu)化超參的可取值范圍，如表4第二列所示，然后通過網(wǎng)格搜索自動調(diào)參算法，迭代選取最佳超參之后對網(wǎng)絡(luò)進行動態(tài)訓練，經(jīng)驗證集測試之后得出最優(yōu)參數(shù)如表4最后一列所示。

將預處理和分段之后的EEG數(shù)據(jù)作為CNNGRU融合網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)經(jīng)迭代訓練140次之后，訓練過程的loss曲線如圖9所示，訓練過程準確率變化如圖10所示。從圖中可以看出loss曲線的epochs在100之后趨于不變并保持穩(wěn)定只有0.132 4，accuracy曲線最后穩(wěn)定在89%上下。

圖9 網(wǎng)絡(luò)訓練過程loss曲線

圖10 網(wǎng)絡(luò)訓練過程accuracy曲線

3.3 模型泛化能力和魯棒性驗證

3.3.1 CNN-GRU泛化能力驗證

為了驗證CNN-GRU融合網(wǎng)絡(luò)的泛化能力，按照本文3.1的自采數(shù)據(jù)集方法和步驟，通過視頻誘發(fā)采集了12名受試者平和、悲傷、恐懼、高興四種EM-EEG。對獲得的自采數(shù)據(jù)集經(jīng)過初期數(shù)據(jù)篩選之后，同樣需要經(jīng)過預處理對EEG中的噪聲進行濾除。預處理方法采用本文3.2中的小波變換進行去噪處理。對去噪之后的EM-EEG數(shù)據(jù)使用Python中Numpy庫進行窗口滑動處理，得到(71 484，32，128)大小樣本數(shù)據(jù)，將32個通道每秒采集的128個數(shù)據(jù)作為一個樣本，共71 484個樣本數(shù)據(jù)，標簽與樣本一一對應(yīng)。

樣本數(shù)據(jù)按照6∶2∶2比例分為訓練集、驗證集和測試集，標簽0、1、2、3經(jīng)過Keras中的to＿categorical函數(shù)轉(zhuǎn)換為二進制(0和1)矩陣表示。將樣本數(shù)據(jù)和與之對應(yīng)的標簽作為CNN-GRU融合網(wǎng)絡(luò)的輸入數(shù)據(jù)進行訓練和分類，其中網(wǎng)路結(jié)構(gòu)和層數(shù)不變?nèi)绫疚膱D3所示，參數(shù)根據(jù)每次訓練結(jié)果對其進行適當調(diào)整。CNN-GRU融合網(wǎng)絡(luò)泛化能力驗證流程圖如圖11所示:

圖11 CNN-GRU融合網(wǎng)絡(luò)泛化能力驗證流程圖

3.3.2 CNN-GRU魯棒性驗證

為了驗證CNN-GRU融合網(wǎng)絡(luò)的魯棒性，將自采集的EM-EEG數(shù)據(jù)庫中的71 484個樣本全部作為測試集，預測模型選用本文3.2中CNN-GRU融合網(wǎng)絡(luò)在SEED IV數(shù)據(jù)集上訓練后保存的模型，通過對保存模型進行調(diào)用，輸出與測試集樣本數(shù)量相同的71 484個預測情緒狀態(tài)結(jié)果，與測試集真實標簽比對，得到準確率，以此來分析本文網(wǎng)絡(luò)的魯棒性。CNN-GRU融合網(wǎng)絡(luò)魯棒性驗證流程圖如圖12所示:

圖12 CNN-GRU融合網(wǎng)絡(luò)魯棒性驗證流程圖

3.4 實驗結(jié)果分析

CNN-GRU融合網(wǎng)絡(luò)在SEED IV數(shù)據(jù)集上經(jīng)過140次迭代訓練之后平均準確率達到89.2%左右，各種情緒分類混淆矩陣如圖13所示，其中坐標軸0、1、2、3分別代表平和、悲傷、恐懼、高興四種情緒。根據(jù)混淆矩陣可知針對SEED IV數(shù)據(jù)集分類中平和狀態(tài)分類準確率達到95%，恐懼狀態(tài)下分類準確率相對較低，有8%和6%的可能性誤判為悲傷和高興狀態(tài)。

圖13 測試集混淆矩陣

本文使用CNN-GRU融合網(wǎng)絡(luò)對情緒進行分類，與其他研究者對比如表5所示。

表5 本文方法與其他方法實驗對比

為了探究不同節(jié)律波腦電參數(shù)對情緒辨識影響程度，本文使用巴特沃斯帶通濾波器分別提取每個樣本的δ、θ、α、β、γ五種節(jié)律波進行單獨實驗，提取部分結(jié)果如圖14所示。經(jīng)過CNN-GRU融合網(wǎng)絡(luò)訓練和測試，最終得到準確率如表6所示。從實驗結(jié)果可以看出β頻段和γ頻段在情緒分類任務(wù)中具有較好的表現(xiàn)，由此可以推斷β頻段和γ頻段在分類任務(wù)中起了重要的作用，同時表明該融合網(wǎng)絡(luò)可以較好的自動提取樣本間細微特征差異從而取得良好的分類效果。

圖14 δ、θ、α、β、γ節(jié)律波部分腦波圖

表6 不同頻帶單獨實驗準確率

在CNN-GRU融合網(wǎng)絡(luò)泛化能力驗證中，將經(jīng)過預處理之后的自采EM-EEG數(shù)據(jù)集作為融合網(wǎng)絡(luò)輸入數(shù)據(jù)，最終情緒辨別最優(yōu)準確率為83.76%，其混淆矩陣如圖15所示(0:平和，1:悲傷，2:恐懼，3:高興)，證實了該網(wǎng)絡(luò)在新的數(shù)據(jù)集上具有良好的泛化能力。

圖15 CNN-GRU泛化能力驗證結(jié)果混淆矩陣

在CNN-GRU融合網(wǎng)絡(luò)魯棒性驗證中，將自采EM-EEG數(shù)據(jù)作為測試集，調(diào)用訓練SEED IV數(shù)據(jù)集保存的網(wǎng)絡(luò)模型對其進行分類辨別，得到77.41%的分類準確率，輸出混淆矩陣如圖16所示(0:平和，1:悲傷，2:恐懼，3:高興)，驗證了該網(wǎng)絡(luò)同時具有較強的魯棒性。

圖16 CNN-GRU魯棒性驗證結(jié)果混淆矩陣

4 結(jié)論

本文針對傳統(tǒng)機器學習特征提取困難和CNN情緒辨別過程丟失時域信息的問題，提出基于CNNGRU融合網(wǎng)絡(luò)的EM-EEG辨別研究。該網(wǎng)絡(luò)結(jié)合了CNN善于提取頻域、空域信息和GRU善于提取時序信息的優(yōu)點，在公開數(shù)據(jù)集SEED IV上獲得了較高分類準確率。并且本文通過設(shè)計主動誘導實驗采集了四種相同情緒下的EEG，使用本文提出的CNN-GRU融合網(wǎng)絡(luò)對自采EM-EEG數(shù)據(jù)集進行訓練和測試，得到了83.76%的準確率，驗證了該網(wǎng)絡(luò)具有較好的泛化能力，并通過進一步實驗，使用SEED IV數(shù)據(jù)集訓練之后得到的網(wǎng)絡(luò)模型，在自采EM-EEG數(shù)據(jù)樣本上測試得到了較好的分類準確率，證明了該網(wǎng)絡(luò)同樣具有較強的魯棒性和抗干擾性。

目前對于在SEED IV上獲得的高辨識率分類模型用于新的數(shù)據(jù)集進行預測時，其得到的準確率還有待進一步提高，針對此問題將在后續(xù)的研究中給予探究和改進。