使用层次空间时空电脑图的情绪识别信息从本地到全球大脑区域
Dong-Ki Jeong1, Hyoung-Gook Kim1, Jin-Young Kim2
1Department of Electronic Convergence Engineering, Kwangwoon University, 20 Gwangun-ro, Nowon-gu, Seoul 01897, Republic of Korea.
Bioengineering (Basel, Switzerland)
|September 28, 2023
概括
这项研究引入了一种使用电脑电图 (EEG) 信号进行情绪识别的新模型. 层次模型有效地捕捉了本地和全球的大脑活动,以提高识别情绪状态的准确性.
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:
- 了解人类的情绪状态需要分析本地大脑活动和区域间的相互作用.
- 多通道脑电图 (EEG) 提供了一种非侵入性的方法来捕捉与情绪相关的大脑动态.
研究的目的:
- 提出一个层次化的情绪上下文特征学习模型,用于增强基于多通道EEG的情绪识别.
- 改进从局部到全球大脑区域的时空EEG特征的学习.
主要方法:
- 一个分层模型,包括区域和全球大脑级编码模块与分类器.
- 输入多通道EEG信号,分为9个功能大脑区域.
- 采用双层和单层双向封闭循环单元 (BGRU),以自我注意为特征提取.
主要成果:
- 拟议的模型在基于EEG的情绪识别中在三个数据集中表现出卓越的性能.
- 层次的方法有效地捕获了时空EEG信号特征.
- 该方法的性能优于现有的最先进的技术.
结论:
- 层次化的情绪上下文特征学习模型显著改善了从EEG信号的情绪识别.
- 整合本地和全球大脑区域信息对于准确的情绪状态识别至关重要.
- 该模型为分析情绪处理中的复杂大脑动态提供了一个强大的框架.


