基于共同性和个性的图形学习网络用于EEG情绪识别和认知
Tengxu Zhang1, Haiyan Zhou1,2
1School of Information Science and Technology, Beijing University of Technology, Beijing 100124, People's Republic of China.
Journal of neural engineering
|May 6, 2025
概括
这项研究引入了一种新的EEG图学习网络 (CI-Graph),可以捕捉共享和个人模式,以改善情绪识别. CI-Graph模型通过在电脑电图 (EEG) 分析中整合共同性和个性来提高准确性.
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:
- 基于脑电图 (EEG) 的情绪识别模型受到个人差异和共同的人类特征的重大影响.
- 现有的模型往往不充分探索这些共同点和独特特征之间的相互作用,限制了识别准确性.
研究的目的:
- 提出一种新的基于共同性和个性的EEG图学习网络 (CI-Graph),以提高情感识别的准确性.
- 在EEG数据中捕捉共享的情绪模式和独特的个体特征.
主要方法:
- CI-Graph模型集成了基于共享模式的基于共同性的图 (C-Graph) 和基于独特特征的基于个性的图 (I-Graph).
- 采用了代币化的图形变换器,图形扩散卷积和空间卷积,用于强大的表示学习.
- 使用多任务联合优化与自我监督回归和对比学习来改善特征学习和融合.
主要成果:
- 在三个基准数据集中观察到分类准确度的持续改善:SEED,SEED-IV和DEAP (激发和价值).
- 在CI-Graph模型中,无论使用下游分类器,都显示出更好的性能.
结论:
- 结合信号的共同性和个性对于推进基于EEG的情绪识别至关重要.
- 拟议的CI-Graph方法显示了跨数据和跨模型概括的巨大潜力,推动了该领域的发展.
