ST-SCGNN:一个空间时空自建图形神经网络,用于跨主体基于EEG的情感识别和意识检测

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 意识障碍 (DOC) 在临床评估中存在重大挑战,原因是基于EEG的情绪识别培训数据有限.
• 准确的情绪识别对于理解大脑功能和检测隐藏的意识至关重要.

研究的目的:

• 提出一种新的时空空间自构图神经网络 (ST-SCGNN),用于跨主体的情感识别和意识检测.
• 评估ST-SCGNN在识别 DOC 患者情绪和检测意识方面的有效性.

主要方法:

• 提取和组合激活和连接模式特征,用于时空特征生成.
• 实现一个自建图形神经网络,根据输入信号动态更新其结构.
• 使用SEED和SEED-IV数据集进行跨主体情绪识别实验,随后在DOC患者中进行临床应用.

主要成果:

• 该ST-SCGNN的平均准确率为85.90% (SEED) 和76.37% (SEED-IV),超过了最先进的指标.
• 在临床环境中,八分之二的DOC患者的准确性明显高于机会水平.
• 这些患者表现出与健康受试者相似的神经模式,表明隐藏的意识和与情绪有关的能力.

结论:

• ST-SCGNN是跨主体情绪识别的强大工具,性能优于现有的方法.
• 该模型展示了作为一种非侵入性工具的潜力,用于在有意识障碍的患者中检测意识.
• 这些发现表明,在一些DOC患者中存在隐藏的意识和情绪处理能力.