使用层次空间时间学习转换器的情感识别从区域到全球大脑
Cheng Cheng1, Wenzhe Liu2, Lin Feng3
1Department of Computer Science and Technology, Dalian University of Technology, Dalian, China.
概括
这项研究介绍了R2G-STLT,这是一种用于从脑电图 (EEG) 信号中改进情绪识别的新型变压器模型. 该方法有效地捕捉了大脑各区域的复杂的时空特征,优于现有的方法.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 情绪识别对于人与计算机的互动至关重要,但由于复杂的EEG信号模式而具有挑战性.
- 现有的方法很难完全捕捉脑电图信号在脑区的空间和时间依赖性,以准确识别情绪.
研究的目的:
- 开发一种基于变压器的方法,R2G-STLT,用于从EEG信号中增强情绪识别.
- 有效地学习从电极到大脑区域水平的代表性时空特征.
主要方法:
- 设计了一个具有区域到全球层次学习 (R2G-STLT) 的时空变压器编码器.
- 使用区域时空变压器 (RST-Trans) 进行电极级特征提取.
- 使用全球时空变压器 (GST-Trans) 以多头的注意力来进行脑区域级特征提取.
主要成果:
- R2G-STLT模型在独立于主体的情绪识别任务中表现出卓越的表现.
- 在不同频段的DEAP,SEED和SEED-IV数据集上进行评估.
- 在捕捉复杂的时空EEG特征方面超过了几种最先进的方法.
结论:
- 拟议的R2G-STLT方法有效地捕获来自EEG信号的层次空间时间特征,用于情绪识别.
- 区域到全球的学习方法增强了模型利用不同大脑区域信息的能力.
- 在人机交互系统中,R2G-STLT为情感识别提供了有前途的进步.


