性差异对独立于主体的基于EEG的情绪识别模型的影响

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:

• 电脑电图 (EEG) 记录大脑的电活动,用于情绪调节分析.
• 深度学习模型从EEG预测情绪状态,主体独立模型更实用,但受到信号变异性的挑战.
• 以前的研究表明,性别影响情绪识别,但缺乏对情绪调节中基于性别的差异的解释性.

研究的目的:

• 用EEG调查情绪调节期间大脑活动中的性别差异.
• 通过结合性信息来增强情感识别的独立于主体的深度学习模型.
• 通过识别参与性别特异性情绪处理的大脑区域来提高情绪识别模型的可解释性.

主要方法:

• 在深度学习模型中利用了注意力网络层来识别对情绪预测至关重要的大脑区域.
• 使用后勤回归与赔率比率分析来评估性别对情绪预测准确性的影响.
• 分析了皮层激活模式,以应对情绪化的视听刺激.

主要成果:

• 在情绪刺激呈现期间皮层激活模式在男性和女性之间有显著差异.
• 女性在左半球表现出更大的神经激活,而男性在右半球表现出更大的激活.
• 将深度学习模型的输出与受试者的性别进行后处理,显著增加了正确情绪预测的几率.

结论:

• 在情绪处理过程中,皮质激活模式的性别特异性明显.
• 将性作为一个特征显著提高了主体独立情绪识别模型的准确性和稳定性.
• 这些发现凸显了情感计算中基于性别的深度学习方法的潜力.