DAVG-ViT: un transformador de visión adaptativo al dominio con GA-BiLSTM para el reconocimiento de emociones por EEG

Área de la Ciencia:

• Neurociencia
• Inteligencia Artificial
• Ingeniería Biomédica

Sus antecedentes:

• El reconocimiento de emociones basado en electroencefalografía (EEG) es un campo en crecimiento debido a su naturaleza no invasiva y alta resolución temporal.
• Los modelos existentes enfrentan desafíos en el modelado de dependencias globales, interacciones entre canales y generalización de dominios.

Objetivo del estudio:

• Proponer un modelo novedoso, DAVG-ViT, para mejorar el reconocimiento de emociones basado en EEG.
• Abordar las limitaciones en el modelado global, las relaciones entre canales y la adaptación de dominios.

Principales métodos:

• El modelo propuesto DAVG-ViT integra Adaptadores para mejorar el modelado global.
• Se emplean Group Attention y BiLSTM para capturar las relaciones entre canales y la dinámica temporal bidireccional.
• La adaptación de dominio adversaria utilizando una capa de inversión de gradiente minimiza el desplazamiento de la distribución.

Principales resultados:

• DAVG-ViT logró un rendimiento superior en conjuntos de datos de referencia: 99,37% de precisión en SEED, 95,91% en SEED-IV.
• En el conjunto de datos DEAP, se obtuvieron precisiones del 98,95% para la excitación y del 98,47% para la valencia.

Conclusiones:

• El modelo DAVG-ViT demuestra avances significativos en el reconocimiento de emociones por EEG.
• Los métodos propuestos abordan eficazmente los desafíos en el modelado global, las interacciones entre canales y la generalización de dominios.