基于情感EEG的交叉会议人身份识别,使用层次图嵌入
Honggang Liu1,2, Xuanyu Jin1,2, Dongjun Liu1,2
1School of Computer Science, Hangzhou Dianzi University, Hangzhou, 310018 Zhejiang China.
Cognitive neurodynamics
|November 18, 2024
概括
这项研究引入了一种新的多尺度卷积和图形聚合网络 (MCGP),用于更准确的脑电图 (EEG) 生物识别. 在MCGP模型有效地识别个人尽管情绪状态的变化,增强机密的人身份识别.
科学领域:
- 神经科学是一个神经科学.
- 生物识别信息 生物识别信息
- 机器学习 机器学习
背景情况:
- 电脑电图 (EEG) 信号被用于机密的人身识别.
- 情感 (情感) 状态的变化对基于EEG的生物识别构成了重大挑战,原因是EEG信号的非静止性.
- 精确的基于EEG的人身识别需要强大的方法来影响情绪状态的波动.
研究的目的:
- 开发和评估一个新的深度学习网络,即多尺度卷积和图形聚合网络 (MCGP),用于基于EEG的强有力的个人识别.
- 为了减轻情绪状态变化的影响,对EEG生物识别的准确性.
- 评估MCGP在不同数据集和实验条件的表现,包括混合和单一情绪状态的跨会话识别.
主要方法:
- 采用了一个集成的多尺度卷积和图形聚合网络 (MCGP).
- MCGP网络使用了多个不同尺度的多个1D卷积来进行动态特征提取和融合.
- 一个带有注意力机制的图形聚合层被纳入,以生成层次化的图形嵌入,然后将其输入到一个完全连接的分类层中.
主要成果:
- 在混合情绪状态的交叉会话条件下,MCGP实现了高平均准确率:在SEED上达到85.51%,在SEED-V数据集上达到88.69%.
- 在单个情绪状态跨会话场景中,MCGP在相同情绪状态下达到85.75% (SEED) 和88.06% (SEED-V),在不同情绪状态下达到79.57% (SEED) 和84.52% (SEED-V).
- 结果表明,与基线方法相比,MCGP显著减轻了情绪状态变化的影响.
结论:
- 拟议的MCGP网络有效地解决了基于EEG的人身份识别中情感状态变化的挑战.
- MCGP提供了一种有前途的方法来提高利用EEG信号的生物识别系统的机密性和准确性.
- 在跨会话评估中,在同一情绪状态内识别个人时,与在不同情绪状态中识别个人时的表现略好一些.
