基于微状态大脑功能网络的情绪识别,使用图表注意力网络

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 电脑电图 (EEG) 信号提供高时间分辨率,但空间分辨率有限,用于研究大脑动态.
• 在快速情绪过渡期间识别稳定的神经状态和解码区域间相互作用仍然是重大挑战.
• 现有的方法很难捕捉到毫秒级的神经动力学,这对于理解情感过渡至关重要.

研究的目的:

• 通过将短暂的EEG微态与大脑功能网络集成,开发一种用于高分辨率情绪识别的新框架.
• 解码在情绪转变期间的动态区域间相互作用,精确到毫秒级.
• 推进对影响性过渡背后的神经机制的理解.

主要方法:

• 提出了一个动态微态时间图注意力网络 (DMT-GAT),集成EEG微态和功能性大脑网络.
• 将EEG信号细分为微状态 (MS1-MS4),选择与情绪相关的微状态 (MS3/MS4),并使用相锁值同步构建大脑功能网络.
• 将频率域特征集成到图形结构数据中,并使用图形注意网络 (GAT) 采用多头机制来进行情绪分类.

主要成果:

• 在DEAP数据集上实现了高平均准确率99.19% (价值) 和99.26% (激发).
• 在情绪分类的SEED数据集上保持了95.29%的强大准确率.
• 在情绪调节期间独特地揭示了前额前桃体相互作用,弥合动态大脑网络和快速神经动力学.

结论:

• DMT-GAT为高分辨率情感识别提供了一个新且有效的框架.
• 这项研究通过捕捉动态的区域间相互作用,促进了对影响性过渡背后的神经机制的理解.
• 这种方法在解码与情绪相关的复杂大脑动态方面迈出了重要的一步.