使用EEG-EDA合和可解释的分类器评估Valance的情绪状态

科学领域:

• 神经科学是一个神经科学.
• 情感计算是一种情感计算.
• 生物医学信号处理

背景情况:

• 情绪显著影响日常生活,涉及中枢神经系统和外围神经系统信号之间的复杂相互作用.
• 现有的情绪分类方法往往侧重于单模或简单的多模方法,忽视了生理信号的复杂相互作用.
• 需要先进的方法来整合中枢神经系统 (脑电图 - EEG) 和外围神经系统 (皮肤活动 - EDA) 信号相互作用,以准确地表征情绪.

研究的目的:

• 调查电脑图 (EEG) 和皮电活动 (EDA) 信号的合对于表征价值情绪状态的实用性.
• 开发和评估一种多模式方法,将EEG衍生特征,EDA衍生特征及其信号间合特征结合起来,用于情绪分类.
• 通过生理信号相互作用来识别最有效的特征和分类器,以区分不同的价值情绪状态.

主要方法:

• 使用了公开可用的DEAP数据库,包括来自32个受试者的EEG和EDA信号.
• 将EEG信号分解为频段 (θ,α,β,γ),并将EDA信号分解为相位和音频组件.
• 提取了EEG,EDA和EEG-EDA合特征,采用随机森林 (RF),线性差异分析和自适应提升分类器,并补充了SHAP分析以解释特征.

主要成果:

• 通过随机森林分类器处理的EEG,EDA及其合的组合特征集,在价值情感分类中获得了最高的F1得分68.21%,为68.21%.
• SHAP分析表明,来自正面电极的特征,特别是马 (γ) 波段的特征,在不同值状态之间提供了显著的区别.
• 拟议的方法证明了通过利用EEG和EDA信号之间的相互作用来有效地分类价值情绪状态的能力.

结论:

• 电脑脑电图和EDA信号的合为提高情绪分类的准确性提供了一个有希望的途径.
• 中央和外围神经系统信号相互作用的整合提供了对情绪过程的更全面的理解.
• 这种方法有可能在临床环境中用于客观的情绪状态评估.