Classification des émotions à partir de signaux EEGàl’aide de techniques d’apprentissage profond
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
university of bordj bou arreridj
Abstract
In recent years, human emotion recognition from EEG signals has seen substantial progress,
largely driven by advances in deep learning techniques. Unlike traditional methods based on
facial expressions, EEG signals provide greater objectivity and robustness against voluntary
manipulations. In this study, we propose an automatic emotion classification approach based
on EEGsignals, utilizing the EEG Brainwave Dataset and the eeg-dataset-emotions. Two deep
learning architectures—1D Convolutional Neural Network (1D CNN) and Long Short-Term
Memory (LSTM) networks—were implemented to extract spatial and temporal features, res
pectively. The experimental results demonstrate that the combined use of these models en
hances the accuracy and reliability of emotional state recognition.
Description
Dans ce travail, nous avons étudié la classification des émotions humaines à partir
des signaux EEGenutilisant des techniques d’apprentissage profond, notamment les ré
seaux CNN1DetLSTM.Cetteapproches’inscritdanslecadredudéveloppementd’ou
tils intelligents permettant une meilleure compréhension des états émotionnels, avec des
applications potentielles dans les domaines de la santé mentale, des neurosciences et des
interfaces homme-machine (IHM).
Après avoir présenté les bases biologiques des signaux EEG ainsi que les fon
dements de l’apprentissage profond, nous avons appliqué deux modèles distincts sur
deux jeux de données EEG : l’un complexe et multicanal (emotions.csv), et l’autre plus
simple basé sur des indicateurs cognitifs (eeg dataset emotions.csv).
Les résultats obtenus sont prometteurs. Toutefois, certaines limitations ont été iden
tifiées, telles que la taille réduite et la diversité restreinte des bases de données utilisées,
ainsi que l’absence de validation en temps réel. L’application concrète de ces modèles
nécessite également des ressources informatiques considérables et un ajustement précis
des hyperparamètres.
En ce qui concerne les perspectives futures, nous proposons d’explorer des archi
tectures hybrides telles que CNN-BiLSTM, d’intégrer des techniques comme le méca
nisme d’attention (Attention Mechanism) et l’Intelligence Artificielle Explicable (Ex
plainable AI), ainsi que de collecter des données EEG plus riches et plus variées. Ces
améliorations permettront de renforcer la précision des modèles et leur applicabilité
dans des contextes réels
Keywords
EEG, Deep Learning, 1D CNN, LSTM, Emotion Classification, Brain Signals