Una red progresiva de adaptación multidominio con gráficos autoconstruidos reforzados para el reconocimiento de...

Área de la Ciencia:

• La neurociencia
• Inteligencia artificial
• Ingeniería biomédica

Sus antecedentes:

• El reconocimiento de emociones basado en electroencefalograma (EEG) es crucial para las interfaces cerebro-computadora.
• Los desafíos clave incluyen la extracción de características invariables de dominio y la alineación de distribuciones de datos entre individuos.
• Los métodos existentes luchan por preservar la información específica de las emociones mientras se generalizan a través de los temas.

Objetivo del estudio:

• Desarrollar un modelo robusto de reconocimiento de emociones EEG que aborde la invarianza de dominio y la alineación de datos entre sujetos.
• Mejorar las aplicaciones de interfaz cerebro-computadora a través de mejores capacidades de reconocimiento de emociones.
• Para explorar la utilidad del modelo en la evaluación de los niveles de conciencia en pacientes con trastornos de la conciencia (DOC).

Principales métodos:

• Propuso una red de adaptación progresiva de múltiples dominios con gráficos autoconstruidos reforzados.
• Introducción de EEG-CutMix para la generación de datos de dominio mixto para unir los dominios de origen y destino.
• Empleó un módulo de gráficos autoconstruidos reforzados para la extracción de características invariables en el dominio y la alineación progresiva.

Principales resultados:

• Se ha logrado un rendimiento de vanguardia en los conjuntos de datos SEED y SEED-IV con altas precisiones (97,03% y 88,18%).
• Demostró un buen rendimiento en un conjunto de datos auto-registrados, logrando una precisión del 86,65% en sujetos sanos.
• Mostró resultados prometedores en pacientes con DOC, con cuatro sujetos que superaron el 70% de precisión en el reconocimiento de emociones.

Conclusiones:

• El modelo propuesto aborda efectivamente los desafíos en el reconocimiento de emociones EEG, ofreciendo un rendimiento superior.
• El enfoque muestra un potencial significativo para aplicaciones clínicas, incluida la evaluación de la conciencia en pacientes con DOC.
• El modelo desarrollado avanza en el campo de las interfaces cerebro-computadora y la computación afectiva.