Exploración de la conectividad EEG física y funcional con redes convolucionales de transformadores de grafos...

Área de la Ciencia:

• Computación Afectiva
• Neurociencia
• Aprendizaje Automático

Sus antecedentes:

• El reconocimiento de emociones basado en electroencefalograma (EEG) ofrece información objetiva a nivel neural sobre los estados emocionales.
• Los datos de EEG de alta dimensionalidad presentan desafíos para un modelado preciso de las emociones debido a sus complejas características espaciales y funcionales.

Objetivo del estudio:

• Proponer una novedosa Red Convolucional de Transformadores de Grafos Multicapa (Multilayer-GTCN) para mejorar el reconocimiento de emociones basado en EEG.
• Capturar eficazmente las dependencias locales y globales dentro de las señales de EEG.

Principales métodos:

• El marco Multilayer-GTCN utiliza un enfoque de grafo dual: un grafo de proximidad física y un grafo de conectividad funcional.
• Las Redes Convolucionales de Grafos (GCN) consolidan patrones estables, mientras que las capas de Transformadores de Grafos capturan dependencias de largo alcance.
• La arquitectura combina la estructura localizada y el contexto global para una decodificación afectiva robusta.

Principales resultados:

• Logró altas tasas de precisión en conjuntos de datos de referencia: 98,24% en SEED, 95,82% en SEED-IV y 93,35% (valencia)/94,11% (arousal) en DEAP.
• Demostró la eficiencia y flexibilidad del Multilayer-GTCN en diversos conjuntos de datos.
• El método propuesto proporciona una base sólida para la decodificación afectiva.

Conclusiones:

• El marco Multilayer-GTCN decodifica eficazmente las emociones de las señales de EEG integrando grafos de conectividad física y funcional.
• Este estudio sienta las bases para sistemas escalables de computación afectiva y avanza en el análisis de señales neuronales.
• El enfoque ofrece un marco robusto para la investigación futura en el reconocimiento de emociones.