使用注意力网络层来识别相关的EEG通道,用于独立于主体的情感识别方法
概括
这项研究使用深度学习来分析电脑电图 (EEG) 信号以识别情绪. 注意网络层确定了对预测情绪至关重要的大脑区域,改进了独立于主体的模型.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 情感计算是一种情感计算.
背景情况:
- 从脑电图 (EEG) 信号中识别主体独立的情绪是具有挑战性的,因为高个体间的变化.
- 在情绪处理过程中识别共享的神经模式是可概括模型的一个有希望的策略.
- 深度学习 (Deep Learning),特别是有注意力网络层的深度学习,为发现这些共享模式提供了潜力.
研究的目的:
- 探索注意网络层在深度学习中的使用,以从EEG信号中独立于主体的情感识别.
- 识别特定的大脑区域和EEG通道,用于预测四种不同的情绪 (快乐,中立,悲伤,恐惧).
- 评估这种方法在捕捉个人之间共享的神经元模式方面的有效性.
主要方法:
- 利用带有注意力网络层的深度学习模型,分析了15名从视频片段中唤起情绪的个体的EEG数据.
- 专注于主体独立分析,以评估模型通用性.
- 研究了不同EEG通道,特别是半球横向性对情绪预测准确性的贡献.
主要成果:
- 该模型在独立于主体的情绪识别中实现了46% (95% CI:41.3-50.7%) 的平均准确性.
- 发现右半球的EEG通道更适合预测快乐和中性情绪.
- 左半球的EEG通道对预测悲伤和恐惧具有更高的相关性.
结论:
- 注意力网络层可以识别EEG信号中情绪预测的共享神经元模式.
- 包括来自两个半球的EEG通道对于准确预测主体独立模型中的各种情绪至关重要.
- 这些发现支持开发更强大,更普遍的情绪识别系统,用于临床应用,例如诊断情绪和焦虑障碍.
