SFT-SGAT:一个半监督的微调自我监督的图表注意力网络,用于情绪识别和意识检测
Lina Qiu1, Liangquan Zhong2, Jianping Li2
1School of Artificial Intelligence, South China Normal University, Guangzhou, 510630, China; Research Station in Mathematics, South China Normal University, Guangzhou, 510630, China.
概括
这项研究引入了一种新型的半监督微调自我监督图表注意力网络 (SFT-SGAT),用于改进跨主体脑电图 (EEG) 情绪识别. SFT-SGAT方法实现了最先进的准确性,并显示了评估有意识障碍 (DOC) 患者的意识的潜力.
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
- 生物医学工程 生物医学工程
背景情况:
- 大脑-计算机接口 (BCI) 依赖于情感识别,但电脑电图 (EEG) 信号的个体变化和标签挑战阻碍了跨主体的表现.
- 传统方法难以应对EEG数据的噪音和复杂性,限制了它们在现实应用中的有效性.
研究的目的:
- 开发一种强大的跨主体EEG情绪识别方法,克服现有方法的局限性.
- 提高基于EEG的情绪识别模型的概括能力和准确性,使用有限的标记数据.
主要方法:
- 提出了一个半监督的微调自我监督的图表注意力网络 (SFT-SGAT) 来建模时空EEG特征.
- 采用自主监督学习来减轻信号噪声,并采用半监督的微调方法来提高概括性.
- 利用图形结构来动态捕捉多通道EEG信号中的拓特征.
主要成果:
- 在SEED数据集上达到92.04%的最先进的跨主题情绪识别准确度,在SEED-IV数据集上达到82.76%.
- 在健康受试者中表现出高分类性能 (高达95.84%) 和成功应用于有意识障碍 (DOC) 的患者,其中一些超过60%的准确性.
- SFT-SGAT模型有效地结合了监督和无监督学习,以最大限度地利用有限的标记EEG数据.
结论:
- SFT-SGAT模型显著改善了跨主体EEG情绪识别.
- 该方法对评估个人的情绪状态和意识水平,包括DOC患者,显示出有前途.
