通过平行融合图形卷积和LSTMs从EEG和ECG信号的多式情绪识别

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 情绪识别对于人与计算机的互动至关重要.
• 结合脑电图 (EEG) 和心电图 (ECG) 信号,可以提高情绪识别的准确性.
• 之前的方法往往忽略了多式联接中的EEG功能连接.

研究的目的:

• 通过整合EEG功能连接和ECG时间特征来开发先进的情绪识别模型.
• 为了利用动态图形卷积和自我注意力机制来增强多式联络融合.
• 为未来对基于EEG和ECG的情绪识别研究建立一个强大的基准.

主要方法:

• 利用动态图形卷积来学习EEG功能连接.
• 使用长期短期记忆 (LSTM) 网络用于ECG时间特征提取.
• 实施了并行融合战略,同时专注于协同交叉模式功能集成.
• 在DREAMER数据集上评估了图形卷积和长短期记忆 (PGCL) 模型的拟议并行融合.

主要成果:

• 与主体依赖情绪识别的最先进方法相比,PGCL模型取得了更高的性能.
• 在低/高价值率 (10.41%) 和兴奋 (9.54%) 预测的平均分类准确度显著改善.
• 整合EEG功能连接在增强多式联动情绪识别方面被证明是有效的.

结论:

• 拟议的PGCL模型为多式EEG和ECG情绪识别提供了一个强大的新基线.
• 用于EEG功能连接和并行融合的动态图形卷积提高了识别精度.
• 这项研究为基于生理信号的情绪识别提供了宝贵的见解.