ELAI-SGCN:一种可解释的轻量级适应性信息感知尖端图形卷积网络,用于基于EEG的情感识别
Jingxin Liu1, Zikai Song1, Xihang Qiu1
1Key Laboratory of Brain Health Intelligent Evaluation and Intervention, Ministry of Education, Beijing, 100081, China; School of Medical Technology, Beijing Institute of Technology, Beijing, 100081, China.
概括
本研究介绍了ELAI-SGCN,这是一种用于高效和可解释的脑电图 (EEG) 分析的新框架. 该模型在情绪识别方面实现了高精度,同时显著降低了实时应用的计算复杂性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 情绪识别对于诊断心理健康状况至关重要.
- 脑电图 (EEG) 为大脑活动分析提供了高时间分辨率.
- 现有的EEG模型在动态神经连接,空间拓和计算效率方面扎.
研究的目的:
- 为基于EEG的情绪识别开发一个轻量级和可解释的框架.
- 解决EEG数据中模拟动态神经连接和空间拓学的局限性.
- 提高EEG分析模型的计算效率和性能.
主要方法:
- 提出ELAI-SGCN,一个使用可训练的尖端编码器用于稀疏,事件驱动的EEG信号表示的框架.
- 实现了一个图形卷积模块,用于适应性区域间连接模型的基于尖峰的操作.
- 专注于保持时间动态,并使可解释,资源高效的分析.
主要成果:
- 在DEAP数据集上,ELAI-SGCN在最小参数 (60.48K) 和低计算成本 (0.36M FLOP) 的情况下实现了87.08%的价值和89.96%的激发精度.
- 在SEED数据集上,ELAI-SGCN在三类情绪识别中达到94.63%的准确性.
- 与动态图卷积神经网络相比,显著降低参数 (99.8%) 和计算成本 (超过250倍).
结论:
- ELAI-SGCN提供了一种高效和可解释的方法,用于使用基于尖端的动态图卷积框架来建模EEG时空动态.
- 该模型在准确性和计算效率方面超越了现有的方法,使其适合实时EEG情绪识别.
- 它的轻量级设计有利于在临床设备上部署,推进智能心理评估系统.
