通过可解释的深度学习框架从EEG网络中提取情绪处理的关键节奏和子网络
Peiyang Li1,2,3, Ruiting Lin1,2,3, Weijie Huang1,2,3
1School of Life Health Information Science and Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China.
Cerebral cortex (New York, N.Y. : 1991)
|December 21, 2024
概括
这项研究引入了一种新的深度学习模型,用于分析脑电图 (EEG) 脑网络以识别情绪. 该方法提高了情绪识别的准确性,并揭示了参与情绪处理的关键大脑网络结构.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 脑电图 (EEG) 大脑网络揭示了大脑区域之间的关系,并可以识别情绪状态.
- 目前的方法对于EEG脑网络缺乏可解释的结构特征.
- 从大脑活动中识别出不同的情绪状态仍然是一个挑战.
研究的目的:
- 提出一种新的深度学习模型,用于从EEG大脑网络中提取可辨别和可解释的特征,用于情绪识别.
- 增强关键节奏和子网络的贡献,以改善情绪分类.
- 提高模型的概括性能,用于跨主体情绪识别任务.
主要方法:
- 开发了一个新的深度学习结构,结合了注意力机制和域对抗策略.
- 注意力机制突出显著的节奏和子网络,用于情绪识别.
- 使用一个域对抗模块来增强跨主题的概括.
主要成果:
- 与现有方法相比,拟议的方法显著提高了不同情绪的分类准确性.
- 该模型在独立于主体的情感识别任务中表现出有效性.
- 确定和验证了关键的情绪处理节奏和子网络结构.
结论:
- 这种新的深度学习方法有效地改善了EEG大脑网络对情绪识别的分类.
- 该方法为了解情绪处理机制提供了有价值的工具.
- 从大脑网络中提取的可解释特征提供了对情绪神经相关的洞察.
更多相关视频
08:22Author Spotlight: Advancing the Study of Brain-Heart Interplay with a Comprehensive EEGLAB Plugin for Multimodal Signal Analysis
Published on: April 26, 2024
1.7K
06:37Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
2.6K
