一个细粒度的半球不对称网络,用于准确和可解释的基于EEG的情绪分类
Ruofan Yan1, Na Lu2, Yuxuan Yan2
1Systems Engineering Institute, School of Automation Science and Engineering, Xi'an Jiaotong University, People's Republic of China; Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University, Hong Kong Special Administrative Region.
概括
这项研究引入了细粒度半球不对称网络 (FG-HANet),用于使用电脑电图 (EEG) 数据准确地分类情绪. 该模型揭示了特定频段内的半球主导和不对称性,为情绪生成提供了新的见解.
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:
- 从脑电图 (EEG) 数据的情绪分类对于理解大脑活动至关重要.
- 在EEG信号中利用半球不对称性为改善情绪识别提供了一个有希望的途径.
- 现有的方法往往缺乏捕捉微妙半球差异所需的细粒度光谱分析.
研究的目的:
- 提出一种新的深度学习模型,即细粒度半球不对称网络 (FG-HANet),用于准确和可解释的情感分类.
- 从原始EEG数据中利用狭窄频段内的细粒度半球不对称性特征.
- 为了调查不同情绪状态期间的半球主导和不对称模式.
主要方法:
- 开发了一个端到端的深度学习模型 (FG-HANet) 结合半球不对称.
- 从原始和镜像EEG输入中提取的特征.
- 应用的有限脉冲响应 (FIR) 过器具有2Hz颗粒度用于细粒度光谱分析.
- 实施了三阶段的培训管道,以加强对不对称性特征的关注.
主要成果:
- 在两个公共数据集 (SEED: 97.11%,SEED-IV: 85.70%) 上实现了最先进的准确性.
- 证明了模型在情绪分类方面的卓越表现.
- 在个人和情绪状态之间,在2Hz频段内确定了半球主导和不对称性.
结论:
- FG-HANet模型有效地利用细粒度半球不对称性来进行强大的情感分类.
- 结果与以前的神经科学发现关于大脑侧向化和情绪的结合并扩展.
- 这项研究通过EEG分析为产生情绪的神经机制提供了新的见解.
更多相关视频
05:36Central and Divided Visual Field Presentation of Emotional Images to Measure Hemispheric Differences in Motivated Attention
Published on: November 16, 2017
7.5K
07:03Evaluation of Hemisphere Lateralization with Bilateral Local Field Potential Recording in Secondary Motor Cortex of Mice
Published on: July 31, 2019
6.7K