基于对比学习图形卷积模型的EEG信号的情绪识别
Yiling Zhang1, Yuan Liao1, Wei Chen1
1College of electronic and optical engineering & college of flexible electronics (future technology), Nanjing University of Posts and Telecommunications, Jiangsu 210023, People's Republic of China.
Journal of neural engineering
|August 16, 2024
概括
这项研究引入了一种新的对比学习图形卷积网络 (CLGCN) 来解码来自电脑电图 (EEG) 信号的情绪,通过专注于不同受试者的共同点来实现高精度. 该方法有效地分析大脑连接,以改善情绪识别.
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:
- 电脑电图 (EEG) 信号提供了有关情绪的大脑活动的见解.
- 脑电图信号的个体变异性对情绪识别提出了挑战.
- 现有的方法很难在不同学科中进行概括.
研究的目的:
- 开发一种创新的方法来识别来自EEG信号的情绪,以解决主体间的变异性.
- 在不同受试者之间识别EEG数据中的共同点,以实现强大的情绪解码.
- 提高情绪识别模型的准确性和通用性.
主要方法:
- 引入对比学习图形卷积网络 (CLGCN).
- CLGCN集成了对比式学习 (CL) 用于多主体数据学习和图形卷积网络 (GCN) 用于分析大脑连接.
- 该模型生成了一个标准化的大脑网络学习矩阵,以捕捉与情绪状态相关的独特特征和道节点.
主要成果:
- 在五倍交叉验证设置中,CLGCN模型在DEAP数据集上达到97.13%的准确性,在SEED和SEED_IV数据集上达到99%以上的准确性.
- 在增量学习实验中,该模型在新受试者中获得了92.8%的准确性,仅需5%的数据微调.
- 这些结果证明了该模型的高效性和通用性.
结论:
- 在CLGCN中CL和GCN的组合显著提高了从EEG信号中解码情绪状态的准确性.
- 这种方法为大脑中情绪处理的基本机制提供了宝贵的见解.
- 在基于EEG的情绪识别中,CLGCN提出了一种有希望的方法来克服对象间的变异性.
