通过62导电脑电图信号进行情绪识别的新方法:多层异质复发分析

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:

• 从脑电图 (EEG) 信号中识别情绪是复杂的,因为大脑活动是非线性和非静止的.
• 传统的方法与微妙的动态斗争,深度学习缺乏解释性.
• 现有的方法往往无法捕捉与情绪相关的神经信号的全部复杂性.

研究的目的:

• 为基于EEG的情绪识别开发一种新的,可解释的方法.
• 解决传统和深度学习方法在捕捉复杂的大脑动态方面的局限性.
• 为了提高从EEG数据的情绪分类的准确性和一致性.

主要方法:

• 一种三相方法,集成统一的多元近似和投影 (UMAP) 以减少维度.
• 多层次异质复发分析 (MHRA) 用于在多个过渡级别中描述复杂的复发动态.
• 基于树的集体学习用于使用MHRA提取的特征来分类四种情绪 (中性,悲伤,恐惧,快乐).

主要成果:

• 在SJTU-SEED IV数据库中以0.7885准确度和0.7552AUC实现了高性能.
• 与现有方法相比,在不同情绪中表现出更优越和更一致的识别性能.
• 灵敏度分析确定了与不同情绪相关的特定MHRA指标,提供神经洞察力.

结论:

• 新的框架有效地捕捉了复杂的,非线性和非静止的EEG动态,同时保持了可解释性.
• 这种方法提升了对情绪处理的理解,并使情绪识别系统更可靠.
• 潜在的应用范围包括医疗保健和其他需要强大的脑电脑接口的领域.