MSFR-GCN:一个多尺度特征重建图形卷积网络用于EEG情绪和认知识别

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 图形卷积网络 (GCNs) 通过分析大脑连接性,有效用于电脑图 (EEG) 识别.
• 以前的GCN方法往往忽略了EEG数据的内在特征.
• 开发用于EEG分析的先进方法对于理解大脑状态至关重要.

研究的目的:

• 提出一种新的多尺度特征重建图形卷积网络 (MSFR-GCN),用于增强基于EEG的情感和认知识别.
• 在GCN框架内改进EEG特征的利用.
• 为潜在的康复应用探索情绪和认知之间的关系.

主要方法:

• 拟议的MSFR-GCN包含一个多尺度特征重建 (MSFR) 模块,包括多尺度挤压和刺激 (MSSE) 和多尺度样本重权 (MSSR) 的子模块.
• 根据统计信息,MSSE和MSSR可以动态地为EEG通道,频段和样本分配权重.
• 在GCN后集成了一个功能聚合层,以保存关键的EEG通道信息.

主要成果:

• 在SEED和SEED-IV数据集上,MSFR-GCN在情绪识别任务中表现出色.
• 该模型在自收集数据集 (ECED) 上的情绪和认知分类方面取得了强的结果.
• 分析显示,使用拟议的方法,情绪和认知分类之间存在隐含的关系.

结论:

• 通过整合多尺度特征重建,MSFR-GCN有效地提高了EEG识别,优于以前的方法.
• 该模型在分类情绪和认知方面的成功表明它对大脑与计算机接口的潜力.
• 这些发现可能会为基于情感观点的认知障碍康复策略提供信息.