一个时间光谱图卷积神经网络模型用于EEG情绪识别在主体内和跨主体
Rui Li1, Xuanwen Yang1, Jun Lou1
1Brain Cognition and Computing Lab, National Engineering Research Center for E-Learning, Faculty of Artificial Intelligence in Education, Central China Normal University, Wuhan, Hubei, China.
Brain informatics
|December 18, 2024
概括
我们开发了一种新的AI模型,即时间谱图卷积网络 (TSGCN),用于更准确的基于脑电图 (EEG) 的情感识别. 这个模型有效地分析了跨时间,频率和空间领域的大脑活动,改善了情绪预测.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 基于EEG的情绪识别面临挑战,原因是跨领域的神经信息稀少以及主体间的变化.
- 现有的方法很难有效地整合来自EEG信号的时间,光谱和空间信息.
研究的目的:
- 提出一种新的神经网络,即时间光谱图卷积网络 (TSGCN),用于增强基于EEG的情感识别.
- 为了应对信息稀疏性和情绪识别中的跨主题变异的挑战.
主要方法:
- TSGCN整合了跨时间窗口和拓大脑区域结构的神经振荡变化.
- 最低类别混 (MCC) 损失减少了主观和预测标签之间的不一致性.
- 深度和浅层功能动态对抗性学习 (DSDAL) 增强了跨主题的概括性.
主要成果:
- 在公共EEG情绪识别数据集上,TSGCN显著超过了最先进的方法.
- 废弃性研究证实了TSGCN组件的性能和稳定性贡献.
- 研究证实了TSGCN在克服情绪识别挑战方面的有效性.
结论:
- TSGCN为基于EEG的情绪识别提供了强大而有效的解决方案.
- 拟议的模型通过有效地捕捉复杂的神经动态,证明了卓越的性能.
- TSGCN表现出强大的概括能力,解决了当前方法的关键局限性.
