ハイブリッドグラフの注意ネットワークで,多次元的な機能により,EEGベースの感情認識が強化されます

科学分野:

• 感情的コンピューティング (Affective Computing) とは
• 神経科学は神経科学である.
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) というものです.

背景:

• 電気脳波 (EEG) 信号からの感情認識は,人間とコンピュータの相互作用にとって極めて重要です.
• 既存の方法は,しばしばEEG信号を1Dタイムシリーズとして扱うが,多次元構造とセグメントダイナミクスを無視している.
• 感情の認識を改善するために,EEGデータ内の複雑な関係を捉えるための高度なモデルが必要である.

研究 の 目的:

• 新しいハイブリッド・グラフ・アテンション・ネットワーク (H-GAT) モデルを提案し,EEG信号を用いた感情認識を強化する.
• EEGデータにおける多次元の依存関係とダイナミックなセグメント関係を効果的にモデル化します.
• 感情認識システムの正確性と解釈性を向上させるため.

主な方法:

• グラフ注意ネットワーク (GAT),コンボリューションニューラルネットワーク (CNN),および長期短期記憶 (LSTM) を統合したハイブリッドグラフ注意ネットワーク (H-GAT) を開発しました.
• GATモジュールのダイナミック類似度 (ピアソン相関) を用いて,EEG信号をグラフ表現に変換した.
• 局所的な時間パターン抽出のためのCNNと,全体的な時間動態のためのLSTMを採用し,特徴の融合と分類が続きます.

主要な成果:

• SEEDとDEAPのデータセットで優れたパフォーマンスを達成しました.
• SEEDデータセットでは平均97.89% (バイナリ) と96.67% (テナリ) の精度を達成しました.
• DEAPデータセットでは,バレンスの平均93.09%,覚醒の平均93.93%の精度に達しました.

結論:

• H-GATモデルは,ハイブリッドニューラルアーキテクチャを通じて,感情認識を前進させるための大きな可能性を示しています.
• このモデルは,EEG信号の多次元的依存関係と時間的動態を効果的に捉えています.
• 提案されたアプローチは,情動コンピューティングにおける感情認識のための堅牢で解釈可能なソリューションを提供します.