特征超图表示学习对EEG情感识别的时空相关性

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 电脑电图 (EEG) 是情绪识别的关键模式,因为它能够反映真实的情绪状态.
• 现有的基于图形的方法主要捕捉EEG中的对空间关系,忽略了更高阶的通道和时间依赖.
• 超图为表示这些复杂的,高阶关系提供了一个通用的框架.

研究的目的:

• 提出一种新的时空超图卷积网络 (STHGCN),用于在EEG记录中捕捉高阶关系.
• 探索EEG数据中的空间和时间相关性,跨越频谱,空间和时间领域,以改善情绪识别.
• 在超图框架内集成一个自我注意机制,用于初始化和更新EEG系列关系.

主要方法:

• 构建跨频谱,空间和时间域的特征超图,以建模复杂的EEG关系.
• 在STHGCN框架内开发一个两块超图卷积网络架构.
• 整合了一种自我注意机制,以动态管理和完善EEG数据系列中的关系.

主要成果:

• 拟议的特征超图有效地捕捉了EEG通道之间的复杂相关性以及EEG系列中的复杂相关性.
• 与现有的基于图表的方法相比,STHGCN实现了更高的情感识别准确度.
• 该方法在SEED和SEED-IV基准数据集上展示了最先进的性能.

结论:

• 在EEG中,STHGCN成功地模拟了更高阶的时空依赖性,其表现优于以前的方法.
• 超图和自我注意的整合为基于EEG的情绪识别提供了一个强大的框架.
• 这种方法在从复杂的神经数据中准确识别情绪状态方面取得了重大进展.