基于频段注意力图的脑-计算机接口中的交叉主体情绪识别卷积对抗神经网络
Shinan Chen1, Yuchen Wang1, Xuefen Lin1
1School of Information and Electronic Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, PR China.
Journal of neuroscience methods
|September 5, 2024
概括
这项研究引入了频段注意力图卷积对抗神经网络 (FBAGAN),通过弥合域间隙来改善从电脑电图 (EEG) 数据中跨主体情绪识别. FBAGAN模型显著提高了跨不同学科的概括性能.
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:
- 使用脑电图 (EEG) 数据进行跨主体情绪识别是具有挑战性的,因为主体之间存在生理变异.
- 在对象之间EEG数据分布的"域间隙"是准确识别情绪的关键障碍.
- 解决这个领域的差距对于开发强大的和可泛化的情绪识别系统至关重要.
研究的目的:
- 开发一种新型模型,有效缩小EEG数据中的域差距,用于跨主体情绪识别.
- 利用情绪频段和道间关系信息来改善模型概括.
- 提高不同受试者群体情绪识别系统的性能.
主要方法:
- 提出了频段注意力图卷积对抗神经网络 (FBAGAN) 模型.
- 使用带有频段注意力机制的特征提取器和图形卷积神经网络 (GCN) 来捕获光谱和空间信息.
- 在频率和通道关系方面,利用一个区分器来最大限度地减少源域和目标域之间的分布差异.
主要成果:
- 在基准数据集上,FBAGAN实现了高准确度:在SEED上达到88.17%,在SEED-IV上达到77.35%.
- 该模型在激发 (69.64%) 和Valence (65.18%) 的DEAP数据集上表现强.
- 结果表明,与大多数现有的交叉主体情绪识别模型相比,性能优越.
结论:
- FBAGAN有效地弥合了EEG频道和频段分布中的域差距.
- 拟议的模型显示了跨主体情绪识别性能的显著改进.
- 这些发现突出了注意力机制和GCN在解决EEG分析领域转移挑战方面的潜力.
