一个多头残留连接GCN用于EEG情绪识别
Xiangkai Qiu1, Shenglin Wang1, Ruqing Wang1
1College of Electronic and Optical Engineering & College of Flexible Electronics, Nanjing University of Posts and Telecommunications, Nanjing, China.
Computers in biology and medicine
|June 16, 2023
概括
这项研究引入了一种新的多头残余图卷积神经网络 (MRGCN),用于先进的脑电图 (EEG) 情绪识别. 该MRGCN模型显著提高了从大脑活动分类情绪的准确性和稳定性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 人与计算机的交互
背景情况:
- 电脑电图 (EEG) 情绪识别对于直观的人与计算机的互动至关重要.
- 现有的神经网络很难从复杂的脑电图数据中捕捉到深刻的情感特征.
- 传统方法的局限性需要先进的技术来进行强大的情感分类.
研究的目的:
- 推出一种新的多头残余图卷积神经网络 (MRGCN),用于增强EEG情感识别.
- 为了利用复杂的大脑网络拓和图形卷积来进行更深入的特征提取.
- 在情绪识别任务中提高分类准确性和主体间稳定性.
主要方法:
- 多频段差异 (DE) 特征的分解,揭示大脑活动的时间动态.
- 整合短距离和长距离的大脑网络以捕捉复杂的拓特征.
- 在图形卷积网络中实现基于残余的架构,以提高性能.
主要成果:
- 该MRGCN模型实现了高平均分类准确率:DEAP数据集上的95.8%,SEED数据集上的98.9%.
- 在基于EEG的情绪识别中表现出增强的性能和稳定性.
- 对大脑网络连接的可视化提供了对情绪调节机制的见解.
结论:
- 拟议的MRGCN模型有效地提取复杂的EEG情绪特征,优于传统方法.
- 该模型的架构确保了在不同主体之间强大而稳定的情感分类.
- MRGCN为推进基于EEG的情绪识别和理解大脑动态提供了一种有前途的方法.
