MT-RCAF:一种基于EEG的多任务残留交叉注意力框架,用于基于EEG的情绪识别和情绪障碍检测

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 精神病学是一个精神病学.

背景情况:

• 长时间的异常情绪会导致情绪障碍,如焦虑和抑郁.
• 目前基于EEG的情绪和情绪障碍检测方法经常被孤立地研究,错过了潜在的协同效益.
• 了解情绪和情绪障碍之间的联系对于识别原因和开发干预措施至关重要.

研究的目的:

• 用电脑电图 (EEG) 数据调查情绪状态和情绪障碍之间的关系.
• 提出和验证一种新的多任务残留交叉注意力框架 (MT-RCAF),旨在增强情绪识别和情绪障碍检测.
• 为了利用共享和特定任务的特性,在两个领域中提高分类性能.

主要方法:

• 开发了多任务剩余交叉注意力框架 (MT-RCAF),包括特征提取,剩余多头交叉注意力 (RMCA),门式多嵌入 (GME) 和任务塔分类模块.
• 该RMCA模块通过注意力权重动态捕获共享和特定任务信息.
• 在GME模块过不相关的功能,而任务塔分类模块平衡任务损失.

主要成果:

• 在DEAP和EMDD数据集上的实验证明了MT-RCAF的有效性.
• 观察到显著的准确性改善:在强烈相关的任务中,情绪识别3.22%,情绪障碍检测3.91%.
• 一般相关的任务显示平均准确度增加了2.87%的价值和3.34%的兴奋.

结论:

• 这项研究证实了情绪和情绪障碍之间的深度学习验证的关系.
• 在MT-RCAF框架内相互连接的任务学习导致更准确和更强大的分类结果.
• 研究结果表明,情绪障碍提高了对负面情绪的敏感性,而强烈的情绪有助于检测情绪障碍.