基于EEG的情绪监测和调节系统通过学习歧视性大脑网络来表现

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:

• 使用电脑电图 (EEG) 识别情绪对于类似人类的人工智能至关重要.
• 脑电图信号容易受到噪音和个体变异的影响,使情绪依赖的模式提取复杂化.
• 现有的方法在噪声抑制和精确的情绪分类方面扎.

研究的目的:

• 提出一种新的L1-规范空间定义的歧视性大脑网络多元学习模型 (L1-SGL) 以实现基于EEG的强有力的情绪识别.
• 为了有效地分离EEG噪声异常值,并自动纠正伪标记样本.
• 实施和验证实时情绪监测和调节的在线系统.

主要方法:

• 开发了L1-规范空间定义的歧视性大脑网络多重学习模型 (L1-SGL).
• 使用L1-规范最小化来分离噪声异常值和伪标签校正.
• 线下和在线实验验证与人类参与者的EEG数据.

主要成果:

• 与现有方法相比,L1-SGL模型在EEG情绪识别方面表现出优异的性能.
• 线下实验显示有效的噪声抑制和改进的模式提取.
• 在线情感解码实现了86.30%的准确性,证实了实时可行性.
• 对负面情绪调节的显著结果 (p < 0.001) 证实了该模型的有效性.

结论:

• L1-SGL模型为基于EEG的精确和强大的情绪识别提供了一个有前途的解决方案.
• 该模型的时间效率可以实现实时应用程序,如情感大脑计算机接口 (aBCI).
• 该研究验证了L1-SGL在智能临床闭环治疗和互动应用中的可行性.