基于EEG的情绪识别使用带有双重注意力机制的图形卷积神经网络.
Wei Chen1, Yuan Liao1, Rui Dai1
1College of Electronic and Optical Engineering & College of Flexible Electronics (Future Technology), Nanjing University of Posts and Telecommunications, Nanjing, China.
Frontiers in computational neuroscience
|August 5, 2024
概括
这项研究引入了一种双重注意力机制图卷积神经网络 (DAMGCN),用于更易于解释的基于脑电图 (EEG) 的情感识别. 该模型有效地识别了关键的大脑区域和频率,在识别来自大脑信号的情绪方面实现了高精度.
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:
- 基于脑电图 (EEG) 的情绪识别对于脑电脑接口 (BCI) 至关重要.
- 现有的模型往往将准确性优先于可解释性,限制了对底层神经机制的理解.
- 分析特定大脑区域和频段对产生情绪的影响至关重要.
研究的目的:
- 提出一种新的方法,即双重注意力机制图卷积神经网络 (DAMGCN),用于增强基于EEG的情绪识别.
- 通过分析大脑区域和频段贡献来提高情绪识别模型的解释性.
- 利用图形卷积网络和自我注意机制来进行特征提取和加权.
主要方法:
- 利用图形卷积网络 (GCNs) 来建模大脑网络作为空间特征提取的图形.
- 采用了变压器模型中的自我注意力机制,将重量分配给电极通道和频段.
- 视觉化注意力机制,以展示对关键大脑区域和频率的学习重量分配.
主要成果:
- 在SEED数据集上实现了最先进的性能,在受试者依赖的实验中准确率为99.42%,在受试者独立的实验中准确率为73.21%.
- 与大多数基于EEG的情绪识别现有模型相比,证明了更高的准确性.
- 注意力机制可视化提供了对模型关于大脑区域和频段的决策过程的见解.
结论:
- DAMGCN模型在基于EEG的情绪识别中提供了显著的进步,平衡了高精度与改进的可解释性.
- 这种方法有效地突出了特定大脑区域和频段在情绪处理中的重要性.
- 这项工作为更透明和可靠的BCI铺平了道路.
