基于EEG频段特征和自适应图形构造的主体独立情绪识别

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 机器学习 机器学习

背景情况:

• 情绪识别对于理解认知功能和决策至关重要.
• 脑电图 (EEG) 信号,特别是频段特征,与情绪状态有关.
• 现有的基于EEG的情绪识别方法与个人差异和数据异质性作斗争,需要独立于主体的方法.

研究的目的:

• 为EEG信号开发一个独立于主体的情绪识别模型.
• 解决传统方法在处理个体变化和数据异质性方面的局限性.
• 提出一种适应性特征提取方法,以增强情感表现.

主要方法:

• 推出了BFE-Net,一种基于频段的层结构的自适应提取模型.
• 使用多图形层构建模块来自适应地提取EEG地图特征.
• 对两个公共数据集 (SEED和SEED-IV) 的模型进行了评估,用于独立于主体的情感识别.

主要成果:

• 在大多数实验环境中,BFE-Net与现有的独立于主体的情绪识别方法相比,表现优越.
• 该模型在SEED和SEED-IV数据集上实现了高级性能.
• 对大脑连接模式的可视化证实了神经科学发现.

结论:

• 拟议的BFE-Net模型提供了一个有效的解决方案,用于从EEG获得主体独立的情绪识别.
• 从频段中提取自适应特征可以增强情绪表达和模型通用性.
• 这些发现支持该模型在情感计算和脑计算机接口中的真实应用的潜力.