一项关于功能连接特征和里曼纳体在EEG情感识别中的组合的研究
Minchao Wu1,2, Rui Ouyang1, Chang Zhou1
1Anhui Province Key Laboratory of Multimodal Cognitive Computation, School of Computer Science and Technology, Anhui University, Hefei, China.
Frontiers in neuroscience
|January 30, 2024
概括
这项研究通过使用拉普拉斯矩阵转换功能连接特征来增强基于电脑电图 (EEG) 的情感识别. 拟议的方法实现了高精度,相锁定值,皮尔森相关系数和光谱连贯度的融合产生了最好的结果.
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:
- 情感计算旨在创建更智能的人与计算机接口 (HCI).
- 基于脑电图 (EEG) 的情感识别是情感计算中的一个关键领域.
- 里曼的多元是有效的脑计算机接口,但面临的局限性与对称正确的特征 (SPD).
研究的目的:
- 为了解决SPD特性的局限性,在基于Riemannian多元体的大脑与计算机接口中.
- 引入一种用于转换功能连接特征的新方法,以改善情绪识别.
- 评估不同特征组合和最佳值的有效性.
主要方法:
- 使用拉普拉斯和max运算符将功能连接特征 (PLV,PCC,COH,MI) 转换为正半定义矩阵.
- 采用对称正确定性 (SPD) 网络进行深度空间信息提取.
- 使用决策层融合策略,以提高识别准确性和稳定性.
主要成果:
- 皮尔森相关系数 (PCC) 的表现优于其他个体特征.
- PLV,PCC和COH的融合实现了91.05%的最高精度.
- 所有四个特征 (PLV,PCC,COH,MI) 的融合导致准确率达到90.16%.
结论:
- 拟议的拉普拉斯矩阵转换有效地解决了Riemannian多重应用的SPD限制.
- 决策层融合策略显著提高了情绪识别的准确性和稳定性.
- 这项研究表明了基于EEG的情绪识别的强大和有效的方法.
