基于EEG的微表情识别:灵活的大脑网络重新配置,支持积极情绪下的微表情

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 情感计算是一种情感计算.

背景情况:

• 微表情识别在各种领域至关重要,包括临床,安全和人机交互.
• 基于脑电图 (EEG) 的识别提供了客观性和抗干扰性,但基础的神经机制尚不清楚.
• 澄清神经机制对于推进基于EEG的微表情识别技术至关重要.

研究的目的:

• 研究与微表达相关的大脑重组机制,与宏观和中性表达对比.
• 在全球大脑网络,功能网络模块和枢纽大脑区域中分析这些机制.
• 为了利用EEG,图形理论分析和功能连接来进行这个探索.

主要方法:

• 在积极情绪下,使用EEG记录不同表达类型 (微观,宏观,中性) 的大脑活动.
• 应用图形理论分析来评估网络属性,如效率,聚类和路径长度.
• 利用功能连接分析来检查大脑区域内和大脑区域之间的相互作用.

主要成果:

• 微表达式显示了全球网络效率,集群和本地效率的提高,平均路径长度较短.
• 在与认知控制 (SFG,ACC,vmPFC) 和情绪处理 (lOFC,TP,IFG) 相关的模块中观察到增强的连接性.
• 像双边SFG,左 OFC,左 TP和左 Broca 的区域这样的枢纽区域显示出更大的中心性和信息传输效率.

结论:

• 微表达式需要更高效的全球沟通和专业的神经模块,用于情绪和认知控制.
• 支持积极微表达的关键大脑区域包括双边SFG (抑制控制),左侧OFC/TP (情绪处理) 和左侧布罗卡区域 (语言处理).
• 这些发现提供了对微表达的神经支的洞察力,为改进基于EEG的识别铺平了道路.