一个渐进的多域适应网络,用于基于EEG的跨主体情绪和意识识别
概括
这项研究引入了一种基于脑电图 (EEG) 的情感识别网络, 改进了特征提取和数据对齐. 该模型取得了最先进的结果,并显示了对有意识障碍 (DOC) 患者的意识评估的潜力.
科学领域:
- 神经科学
- 人工智能
- 生物医学工程
背景情况:
- 基于脑电图 (EEG) 的情绪识别对于脑电脑接口至关重要.
- 主要挑战包括提取域不变特征和对准跨个体数据分布.
- 现有的方法难以保留特定情绪的信息,
研究的目的:
- 开发一个强大的EEG情感识别模型,解决域不变性和跨主体数据对齐.
- 通过提升情绪识别能力来增强脑电脑接口应用.
- 探索该模型在评估有意识障碍 (DOC) 的患者的意识水平方面的实用性.
主要方法:
- 提出了一个渐进式的多领域适应网络,
- 引入了EEG-CutMix,用于生成混合域数据以连接源域和目标域.
- 使用强化自建图模块进行域不变特征提取和渐进对齐.
主要成果:
- 在SEED和SEED-IV数据集上实现了高精度 (97.03%和88.18%).
- 在自我记录的数据集上表现强,在健康受试者中达到86.65%的准确性.
- 在DOC患者中显示出有前途的结果, 其中四名患者的情绪识别准确度超过了70%.
结论:
- 提出的模型有效地解决了EEG情感识别方面的挑战,提供了卓越的性能.
- 这种方法显示出临床应用的巨大潜力,包括对DOC患者的意识评估.
- 开发的模型推进了脑-计算机接口和情感计算领域.
