DC-ASTGCN:基于融合深层卷积和自适应时空图卷积网络的EEG情感识别
IEEE journal of biomedical and health informatics
|September 5, 2024
概括
这项研究介绍了DC-ASTGCN,这是一种使用电脑电图 (EEG) 信号进行情绪识别的新型模型. 它通过将深度学习与先进的大脑信号分析相结合,准确地识别情绪.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 越来越多的人对使用脑电图 (EEG) 信号来识别情绪越来越感兴趣,这是人工智能 (AI) 和脑计算机接口 (BCI) 的进步所推动的.
- 由于需要整合时间,频率和空间域特征,从复杂的EEG数据中准确分类情绪存在挑战.
研究的目的:
- 提出一个新的融合模型,DC-ASTGCN,用于全面分析和理解EEG信号用于情感识别.
- 为了解决现有方法在捕捉EEG数据的复杂特征情绪分类的局限性.
主要方法:
- 开发了DC-ASTGCN,这是一个混合模型,将深层卷积神经网络 (DCNN) 结合起来,用于频率和局部空间特征提取.
- 集成了一个自适应的时空图形卷积网络 (ASTGCN) 与注意力机制,以分析大脑区域之间的功能连接.
- 利用DCNN来识别大脑区域活动模式和ASTGCN来揭示各种情绪状态中的区域间功能连接.
主要成果:
- 与现有的最先进的方法相比,DC-ASTGCN模型在情绪识别准确度方面表现出了卓越的表现.
- 在DEAP和SEED数据集上的实验验验证了拟议的融合模型的有效性.
- 该模型成功地整合了各种EEG特征,以增强情绪状态的理解.
结论:
- 通过有效地整合DCNN和ASTGCN,DC-ASTGCN模型为基于EEG的情绪识别提供了显著的进步.
- 拟议的方法通过全面分析复杂的EEG信号来增强理解和识别情绪状态的能力.
- 这项研究为情感计算和BCI应用领域做出了贡献.
