ELAI-SGCN：EEGベースの感情認識のための説明可能な軽量適応情報知覚型スパイク畳み込みグラフネットワーク
Jingxin Liu1, Zikai Song1, Xihang Qiu1
1Key Laboratory of Brain Health Intelligent Evaluation and Intervention, Ministry of Education, Beijing, 100081, China; School of Medical Technology, Beijing Institute of Technology, Beijing, 100081, China.
まとめ
本研究では、効率的で解釈可能な脳波（EEG）解析のための新しいフレームワークであるELAI-SGCNを紹介します。このモデルは、感情認識において高い精度を達成すると同時に、リアルタイムアプリケーションの計算複雑性を大幅に低減します。
科学分野:
- 神経科学
- 人工知能
- 生体工学
背景:
- 感情認識は、精神的健康状態の診断に不可欠です。
- 脳波（EEG）は、脳活動分析に高い時間分解能を提供します。
- 既存のEEGモデルは、動的神経接続性、空間トポロジー、および計算効率に課題を抱えています。
研究 の 目的:
- EEGベースの感情認識のための軽量で説明可能なフレームワークを開発すること。
- EEGデータにおける動的神経接続性と空間トポロジーのモデリングにおける限界に対処すること。
- EEG解析モデルの計算効率とパフォーマンスを向上させること。
主な方法:
- スパースでイベント駆動型のEEG信号表現のためのトレーニング可能なスパイクエンコーダを利用するフレームワークであるELAI-SGCNを提案しました。
- 適応的な領域間接続モデリングのためのスパイクベース操作を備えたグラフ畳み込みモジュールを実装しました。
- 時間的ダイナミクスの維持と、解釈可能でリソース効率の良い分析の実現に焦点を当てました。
主要な成果:
- ELAI-SGCNは、DEAPデータセットで87.08%の感情価と89.96%の覚醒度精度を達成し、パラメータ数は最小限（60.48 K）、計算コストは低く（0.36 M FLOPs）なりました。
- SEEDデータセットでは、ELAI-SGCNは3クラスの感情認識で94.63%の精度に達しました。
- 動的グラフ畳み込みニューラルネットワークと比較して、パラメータ数（99.8%）と計算コスト（250倍以上）の大幅な削減を示しました。
結論:
- ELAI-SGCNは、スパイクベースの動的グラフ畳み込みフレームワークを使用したEEG時空間ダイナミクスのモデリングのための効率的で解釈可能な方法を提供します。
- このモデルは、精度と計算効率において既存のアプローチを上回り、リアルタイムEEG感情認識に適しています。
- その軽量設計は、臨床デバイスへの展開を容易にし、インテリジェントな心理評価システムを進歩させます。
