NeuroEmo:一种基于神经成像的fMRI数据集,用于提取印度电影视频片段刺激的时间性情感大脑动态,使用动态功能连接方法与图形卷积神经网络 (DFC-GCNN) 的动态功能连接方法
Abgeena Abgeena1, Shruti Garg1, Nishant Goyal2
1Department of Computer Science and Engineering, Birla Institute of Technology, Mesra, Ranchi, India.
Computers in biology and medicine
|June 13, 2025
概括
研究人员开发了一种使用功能磁共振成像 (fMRI) 对印度人口进行情感识别的新方法. 这种方法实现了95%的准确性,揭示了特定情绪的大脑连接模式.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 机器学习 机器学习
背景情况:
- 功能磁共振成像 (fMRI) 对于理解情绪识别中的大脑激活模式至关重要.
- 现有的情绪识别模型由于对不同人群的研究有限,特别是在印度,缺乏普遍性.
- 对情绪刺激的文化相关性对于精确的神经成像研究至关重要.
研究的目的:
- 为了解决印度人口中基于fMRI的情感识别研究的稀缺性.
- 创建一个文化相关的神经成像数据集,用于识别五种情绪状态.
- 开发和评估一种新的图形卷积神经网络 (GCNN) 模型,用于使用动态功能连接 (DFC) 进行情感分类.
主要方法:
- 一个新的fMRI数据集是使用文化相关的玻利वुड电影片段作为印度参与者的情绪刺激来创建的.
- 使用通用线性模型 (GLM) 进行数据预处理和统计分析.
- 基于兴趣区域 (ROI) 的动态功能连接 (DFC) 被提取并用于构建GCNN模型的图形结构.
主要成果:
- 通过5倍交叉验证,DFC-GCNN模型在识别五种情绪状态 (平静,害怕,高兴,丧,兴奋) 中实现了95%的分类准确度.
- 在关键的情感区域中确定了特定于情感的连接动态,包括杏仁体,前额叶皮质和前侧胰岛.
- 这项研究强调了时间变化的重要性在分类情绪状态.
结论:
- 开发的GCNN框架和特定文化数据集增强了基于图形的模型用于fMRI数据分析的适用性.
- 这项研究为神经层次的情绪处理中的跨文化差异提供了新的见解.
- 高分辨率的fMRI数据集是未来情绪神经科学研究的宝贵资源.
关键词:
大脑网络活动大脑网络活动.动态功能连接 (DFC) 功能连接情绪识别 情绪识别功能磁共振成像 (fMRI) 是一种功能性磁共振成像技术.功能连接的门值.图形卷积神经网络 (GCNN) 是一个神经网络.更多相关视频
06:50Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software
Published on: October 30, 2018
9.4K
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
7.2K
