一个自适应图形卷积网络,其余的注意力用于情绪识别和识别
Dongrui Gao1, Qingyuan Zheng1, Pengrui Li1
1School of Computer Science, Chengdu University of Information Technology, Chengdu, China.
概括
这项研究引入了一个具有残留注意力的自适应图形卷积网络 (AGC-RSTA),通过捕获动态大脑信号模式来更准确地基于电脑电图 (EEG) 的情感识别.
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:
- 基于脑电图 (EEG) 的情绪识别对于理解人类情绪状态至关重要.
- 图形卷积网络 (GCN) 在分析EEG拓特征方面表现出色.
- 在EEG数据中捕获动态拓关系仍然是一个重大挑战.
研究的目的:
- 提出一个先进的模型,从EEG信号中提取时空区分特征.
- 通过使用EEG数据来提高情绪识别的准确性和稳定性.
- 为了应对在EEG中捕捉动态拓关系的挑战.
主要方法:
- 开发了一个具有剩余注意力的自适应性GCN (AGC-RSTA) 模型.
- 在GCN中构建了一个自适应的相邻矩阵,以捕捉动态空间拓.
- 使用剩余的时空注意模块进行深度特征提取.
主要成果:
- 拟议的AGC-RSTA模型在基准数据集上实现了高准确度.
- 在SEED数据集上,识别准确率达到94.91%.
- 在SEED-IV数据集上,识别准确率达到91.17%.
- 与现有最先进的方法相比,表现出优越的性能.
结论:
- AGC-RSTA模型有效地提取了基于EEG的情感识别的时空特征.
- 适应相邻矩阵和剩余注意力机制显著提高了性能.
- 这些发现凸显了AGC-RSTA在现实世界情感识别应用中的潜力.
