确定EEG的相关不对称特征,以处理情绪

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 大脑的左半球和右半球处理情绪不同,模型表明右半球占主导地位或专门处理正面 (左) 和负面 (右) 情绪.
• 以前的研究利用半球不对称模型在机器学习中进行情绪分类,但通过机器学习理解不对称性和情绪处理之间的联系仍然未得到充分探索.

研究的目的:

• 研究大脑半球不对称性在处理四种不同的情绪中的作用:快乐,悲伤,恐惧和中立状态.
• 探索机器学习模型如何使用脑电图 (EEG) 数据识别大脑不对称性和情绪处理之间的关联.

主要方法:

• 通过视频剪辑分析了15名受试者经历四种情绪的EEG信号.
• 通过计算对称的大脑节点之间的相对能量日志比率来推导非对称性特征.
• 训练了四个二进制物流回归模型,每个情绪一个,以确定相关的预测特征.

主要成果:

• 获得的AUC-ROC平均值在51.6% (恐惧) 到58.4% (快乐) 之间,在一个独立的数据集上得到了相似的结果.
• 主要在阿尔法频段观察到显著的大脑侧面化;其他频段涉及两个半球.
• 后勤回归突出了玛和α波段,特别是在侧面的额头,头顶和脑电图对 (例如FT7-FT8),对于情绪预测最相关.

结论:

• 大脑半球不对称性在情绪处理中起作用,特定的频段和大脑区域比其他频段更为关键.
• 研究结果表明,阿尔法和马频段,特别是在侧面的额头,额头和部区域,对于开发精确的情感识别模型至关重要.