感情認識のための多層グラフ畳み込みネットワークを用いた物理的および機能的EEG接続性の探求

科学分野:

• 感情コンピューティング
• 神経科学
• 機械学習

背景:

• 脳波（EEG）ベースの感情認識は、感情状態に関する客観的で神経レベルの洞察を提供します。
• 高次元のEEGデータは、複雑な空間的および機能的特性により、正確な感情モデリングに課題をもたらします。

研究 の 目的:

• 感情認識を強化するための新しい多層グラフ畳み込みネットワーク（Multilayer-GTCN）を提案すること。
• EEG信号内の局所的および大域的な依存関係を効果的に捉えること。

主な方法:

• Multilayer-GTCNフレームワークは、物理的近接性グラフと機能的接続性グラフの2つのグラフアプローチを利用します。
• GCN（グラフ畳み込みネットワーク）は安定したパターンを統合し、Graph Transformerレイヤーは長距離の依存関係をキャプチャします。
• このアーキテクチャは、局所的な構造と大域的なコンテキストを統合して、堅牢な感情デコーディングを実現します。

主要な成果:

• SEEDで98.24%、SEED-IVで95.82%、DEAPで93.35%（感情価）/94.11%（覚醒度）のベンチマークデータセットで高い精度を達成しました。
• 多様なデータセットにわたるMultilayer-GTCNの効率性と柔軟性を示しました。
• 提案手法は、感情デコーディングのための堅牢な基盤を提供します。

結論:

• Multilayer-GTCNフレームワークは、物理的および機能的接続性グラフを統合することにより、EEG信号から感情を効果的にデコードします。
• この研究は、スケーラブルな感情コンピューティングシステムの基盤を築き、神経信号分析を進歩させます。
• このアプローチは、感情認識における将来の研究のための堅牢なフレームワークを提供します。