RS-STGCN: Red Neuronal Convolucional Espacio-Temporal de Grafos de Sinergia Regional para el reconocimiento de...

Área de la Ciencia:

• Neurociencia afectiva; Neurociencia computacional; Aprendizaje automático para neuroimagen

Sus antecedentes:

• La decodificación de estados emocionales a partir de la electroencefalografía (EEG) es crucial para la neurociencia afectiva.; Los métodos existentes luchan por integrar los conocimientos neurofisiológicos con la actividad cerebral dinámica.; El modelado preciso de la dinámica cerebral espacio-temporal es esencial para el reconocimiento de emociones.

Objetivo del estudio:

• Presentar un marco novedoso, la Red Neuronal Convolucional Espacio-Temporal de Grafos de Sinergia Regional (RS-STGCN), para decodificar estados emocionales a partir de señales de EEG.; Tender un puente entre los conocimientos neurofisiológicos predefinidos y la dinámica cerebral específica de la tarea.; Desarrollar un método que logre una alta precisión y proporcione interpretabilidad neurocientífica.

Principales métodos:

• Introdujo el Aprendedor de Grafos de Sinergia Regional (RSGL) para integrar los conocimientos de la región cerebral con la optimización impulsada por la tarea.; Construyó un grafo disperso y adaptativo que modela la conectividad a nivel intra-regional (local) e inter-regional (largo alcance).
• Aplicó una red espacio-temporal para capturar las características emocionales en evolución utilizando el grafo aprendido.

Principales resultados:

• Logró precisiones de reconocimiento sujeto-independiente de última generación del 88,00% en SEED y 85,43% en SEED-IV.; Generó un mapa neurocientíficamente interpretable de la conectividad funcional del cerebro.; Identificó vías fronto-parietales clave, consistentes con las redes atencionales conocidas.

Conclusiones:

• El marco RS-STGCN ofrece un potente enfoque computacional para investigar los mecanismos de la red cerebral dinámica subyacentes a la emoción humana.; El modelo captura eficazmente las características emocionales en evolución y proporciona información basada en datos sobre la organización funcional del cerebro.; Este trabajo avanza el campo del reconocimiento de emociones a través de un análisis mejorado de señales de EEG e IA interpretable.