基于源微态分析的交叉主体情绪EEG信号识别.
Lei Zhang1, Di Xiao1, Xiaojing Guo2
1Anhui Province Key Laboratory of Multimodal Cognitive Computation, School of Computer Science and Technology, Anhui University, Hefei, China.
Frontiers in neuroscience
|December 13, 2023
概括
这项研究引入了源微态分析,用于从电脑电图 (EEG) 信号中改进交叉主体情绪识别. 这种方法通过更好地利用空间信息来提高准确性,优于PSD和DE等传统方法.
科学领域:
- 神经科学是一个神经科学.
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 电脑电图 (EEG) 信号的空间分辨率较低,限制了跨主体情绪分类的准确性.
- 微态分析提供了一种方法来捕获EEG信号的时空特征,通过将它们聚集成原型拓.
- 利用空间信息对于改善情绪动态的神经表现至关重要.
研究的目的:
- 通过通过源微状态分析利用空间信息来提高基于EEG的情绪分类准确度.
- 调查源微状态特征所代表的强度和抽象情感信息.
- 在SVM和CNN模型中,比较源微态特征与传统特征 (DE,PSD) 的性能.
主要方法:
- 对EEG信号进行源定位分析,以重建源.
- 在源重建的EEG信号上进行微态分析以提取微态特征.
- 应用风格转移映射用于域调整,并利用支持矢量机器 (SVM) 和卷积神经网络 (CNN) 进行情感识别.
主要成果:
- 源微态特征拓显示了参与者对相同情绪的高度相关性.
- 与DE和PSD相比,微状态特征表现出更抽象的情感信息和更大的稳定性.
- 在SVM中使用微状态特征的跨学科分类准确度比PSD高7.19-8.24%,比DE高0.51-6.95%.
- 在CNN中,微态特征的准确度比PSD高7.71-19.41%,比DE高2.7-11.76%.
结论:
- 源微态分析有效地利用EEG信号中的空间信息,以便更准确地跨主体识别情绪.
- 微态特征提供了情感动态的强大和抽象的表现,优于传统的光谱和基于的特征.
- 拟议的方法显示了大脑计算机接口和情感计算应用程序的重大潜力.
