改进了对EEG频段间相关性提取的法定相关性分析.
Zishan Wang1,2,3, Ruqiang Huang3, Ye Yan2,3
1School of Information Science and Engineering, East China University of Science and Technology, Shanghai 200030, China.
Bioengineering (Basel, Switzerland)
|October 28, 2023
概括
这项研究引入了跨频段相关性 (IBC) 功能,以便更准确地从电脑电图 (EEG) 信号中识别情绪. 将IBC与差异 (DE) 特性相结合,通过探索大脑节律相互作用,显著提高了分类准确性.
科学领域:
- 情感计算是一种情感计算.
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
背景情况:
- 使用脑电图 (EEG) 信号识别情绪是情感计算的一个关键领域.
- 传统方法通常依赖于单通道或双通道特征,使不同情绪下的EEG节律之间的复杂相互作用未被探索.
- 分析这些相互作用的现有方法,如相振幅合 (PAC),是计算密集的.
研究的目的:
- 开发一种计算效率高的方法来分析EEG节奏之间的相互相互作用,以改善情绪识别.
- 通过使用正规相关性分析 (CCA) 来引入和验证从微分 (DE) 衍生出的跨频段相关性 (IBC) 特性.
- 通过将新的IBC功能与传统的DE功能融合起来,提高情感识别准确度.
主要方法:
- 使用基于差异 (DE) 特征的正规相关性分析 (CCA) 提取带间相关性 (IBC) 特征.
- 消除了对计算上昂贵的代孕试验的需求.
- IBC和DE特征的决策级合并,以提高分类性能.
主要成果:
- 实验验证证了IBC特征的有效性,表明EEG频段之间的更高相关性对情绪分类准确性产生积极影响.
- 与单独使用任何一个特征集相比,IBC和DE的融合在SEED和CUMULATE数据集上显著提高了情绪识别准确度.
- 与传统的PAC方法相比,拟议的方法显示了较低的计算复杂性.
结论:
- 频段间相关性 (IBC) 功能代表了增强情绪识别系统的有希望的进步.
- 探索EEG节奏之间的相互相互作用为处理情绪的神经机制提供了宝贵的见解.
- 开发的方法提供了一种更有效,更准确的方法来识别来自EEG信号的情绪.


