用EEG功能连接网络的相振幅融合特征解码情绪

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 生物医学工程 生物医学工程

背景情况:

• 了解情感认知对于人与计算机的互动至关重要.
• 目前用于情绪识别的脑电图 (EEG) 方法主要使用基于相位的功能连接,忽略了振幅信息.
• 这限制了对动态皮层振荡能量波动的捕获.

研究的目的:

• 研究基于振幅的功能网络 (AEC) 对表现情绪状态的有效性.
• 开发一个高效的阶段幅度融合框架 (PAF) 以提高情感识别.
• 提取和分析融合的空间拓特征,用于多类情感分类.

主要方法:

• 检查了用于情绪状态表示的振幅封面相关性 (AEC).
• 提出了一个相振幅融合框架 (PAF),集成相锁定值 (PLV) 和AEC.
• 利用常见空间模式 (CSP) 来提取融合的空间拓特征.
• 在DEAP和MAHNOB-HCI数据集上进行实验.

主要成果:

• 基于广度的功能网络 (AEC) 有效地描述情绪状态.
• 在AEC中的不同网络模式反映了与情绪相关的大脑区域的动态相互作用.
• 拟议的相振幅融合 (PAF) 特性在两组数据的分类准确性方面显著超过了最先进的方法.
• 从PAF学习的空间过器是可解释的,描述了相位和振幅的情感模式.

结论:

• 基于广度的连接提供了对情绪状态的宝贵见解.
• 新的阶段幅度融合框架 (PAF) 为基于EEG的情绪识别提供了更全面的方法.
• 这种融合方法提高了分类准确性,并提供了可解释的情感激活模式.