基于多域的动态图表表示学习用于EEG情绪识别

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 由于高效的图形结构数据处理,图形神经网络 (GNN) 对脑电图 (EEG) 情绪识别有希望.
• 由于大脑区域之间的动态功能连接和非线性关系,以图形数据表示EEG存在挑战.

研究的目的:

• 提出一种新的基于多域图形表示学习 (MD2GRL) 框架,用于将EEG信号建模为图形数据.
• 通过解决图形表示方面的挑战,提高EEG信号的情绪识别精度.

主要方法:

• 在两个子图中,GRL利用封闭的反复单位 (GRU) 和功率光谱密度 (PSD) 来构建节点特征.
• 一个自我注意力机制学习节点相似性,与空间信息融合以创建一个相邻矩阵.
• 一个可学习的软值运算符分散了相邻矩阵,并使用具有空间不对称性的双分支GNN进行分类.

主要成果:

• 拟议的方法在SEED和DEAP数据集上实现了最先进的 (SOTA) 分类性能,用于主体依赖和独立的任务.
• 视觉化分析发现了与情绪相关的显著EEG通道连接,有效地抑制了无关噪音.
• 学习的图形结构与神经科学发现一致,表明该模型能够捕捉情绪的神经支柱的能力.

结论:

• MD2 GRL框架提供了一种有效的方法,以图形形式表示EEG信号,克服了以前的局限性.
• 该模型在情绪分类方面表现出高度准确性,为与情绪状态相关的大脑连接模式提供了洞察力.
• 这种方法具有很大的潜力,可以利用EEG数据推进对情绪神经基础的研究.