EED-CL: Deformer Extendido de EEG con Aprendizaje Contrastivo para un Reconocimiento Robusto de Emociones

Área de la Ciencia:

• Neurociencia
• Aprendizaje Automático
• Procesamiento de Señales

Sus antecedentes:

• El reconocimiento de emociones a partir de señales de electroencefalografía (EEG) es un desafío debido a los complejos patrones de actividad cerebral y las diferencias individuales.
• Los métodos existentes luchan con la dinámica espaciotemporal y la variabilidad entre sujetos inherentes a los datos de EEG.

Objetivo del estudio:

• Desarrollar un marco robusto y escalable para el reconocimiento preciso de emociones utilizando señales de EEG.
• Abordar las limitaciones de los modelos actuales en el manejo de datos complejos de EEG y muestras etiquetadas limitadas.

Principales métodos:

• Se propuso el marco EED-CL, que integra un EEG-Deformer (EED) extendido con aprendizaje contrastivo (CL).
• Se empleó un codificador de convolución separable en profundidad para la extracción eficiente de características espaciotemporales.
• Se utilizó un transformador jerárquico de grueso a medio a fino (HCMFT) para la captura de patrones temporales multiescala.
• Se incorporó un módulo de purificación de información densa atencional (ADIP) para reducir el ruido y refinar las características.
• Se aprovechó el preentrenamiento basado en CL para un aprendizaje de características efectivo con datos etiquetados limitados.

Principales resultados:

• El modelo EED superó a los métodos convencionales en el reconocimiento de emociones basado en EEG.
• El marco EED-CL demostró mejoras significativas, particularmente en condiciones con etiquetas limitadas.
• EED-CL exhibió una fuerte robustez contra la variabilidad entre sujetos y el ruido, asegurando una clasificación estable con escasas muestras etiquetadas.

Conclusiones:

• El marco EED-CL captura eficazmente patrones de EEG espaciotemporales multiescala para mejorar el reconocimiento de emociones.
• Este enfoque ofrece una solución escalable y confiable para el reconocimiento de emociones basado en EEG, incluso con datos limitados y alta variabilidad.