基于微观状态分析的情绪识别,来自脑电图的时间和空间模式

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:

• 脑电图 (EEG) 微态分析对于理解大脑动态至关重要.
• 现有的研究主要集中在静止状态EEG上,对情绪状态的探索有限.
• 使用微态分析调查情绪EEG可以发现独特的时间和空间模式.

研究的目的:

• 探索情绪状态期间的时间和空间EEG模式.
• 确定微状态在情绪处理中的神经生理学意义.
• 评估基于EEG的情绪识别微态分析的可行性和有效性.

主要方法:

• 提出了一种基于KLGEV标准的方法,用于情绪EEG中的自适应微态识别.
• 提取了用于情绪识别的时间和空间微态特征.
• 在SJTU情绪EEG数据集 (SEED) 和使用生理信号 (DEAP) 进行情绪分析的数据库上评估了该方法.

主要成果:

• 在SEED中识别了10个微状态,在使用AutoGluon的依赖对象的情绪识别中达到70.38%的准确性.
• 在DEAP中确定了9个微态,激发的精度为74.33%,价值的精度为75.49%.
• 发现特定微态 (C,D,B) 和兴奋/价值评级之间存在显著的相关性,提高了可解释性.

结论:

• 基于KLGEV标准的方法有效地分析情绪EEG信号.
• 微状态特征显示了改善基于EEG的情绪识别的前景.
• 这项研究扩大了对EEG微状态在情感环境中的可解释性的理解.