自动提取和利用基于图形的EEG频道重要性卷积网络用于情感识别

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 图形卷积网络 (GCNs) 在使用大脑网络的脑电图 (EEG) 情绪识别中很普遍.
• 现有的GCN模型往往忽视了维度减少,可能包括无关或干扰网络信息.
• 有效提取和利用核心大脑网络组件对于提高模型性能至关重要.

研究的目的:

• 提出和评估用于EEG情绪识别的新型GCN模型,其中包括核心网络提取.
• 研究大脑网络分析中维度减小对GCN性能的影响.
• 引入CWGCN用于数据驱动的核心网络和道重要性提取,以及CCSR-GCN用于使用这些提取的信息进行情绪识别.

主要方法:

• 开发一个核心网络提取模型 (CWGCN),利用道权重和GCN原则.
• 引入一个利用CWGCN输出的通道卷积和基于风格的重新校准GCN (CCSR-GCN) 模型.
• 使用SEED数据集进行实验验证,以评估模型性能.

主要成果:

• 核心网络提取明显提高了EEG情感识别GCN模型的性能.
• 拟议的CWGCN和CCSR-GCN模型与当前流行的方法相比,可以获得更好的结果.
• 这项研究强调了数据驱动核心网络提取在脑网络分析中的有效性.

结论:

• 通过核心网络提取来减少维度是基于GCN的EEG情感识别的有益策略.
• CWGCN和CCSR-GCN为分析情绪识别任务的大脑网络提供了一种新且有效的方法.
• 拟议的方法为GCN在更广泛的大脑网络分析中的应用提供了有希望的前景.