SC-SDT:一种带有光谱卷积和空间微分变压器的框架,用于基于EEG的情绪识别

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:

• 电脑电图 (EEG) 信号提供客观的情绪状态量化,但提取细粒度特征仍然具有挑战性.
• 现有的方法难以充分利用EEG数据中存在的光谱和空间信息.
• 跨主体的变化对强大的情感识别模型构成了重大障碍.

研究的目的:

• 开发一种新的框架,SC-SDT (光谱卷积空间微分变压器),用于增强基于EEG的情感识别.
• 共同建模EEG信号的光谱和空间特征,以改善特征提取.
• 提高模型的稳定性,以应对主体间的变化,并实现优越的跨主体概括性.

主要方法:

• 开发了SC-SDT,集成卷积和变压器架构用于光谱空间特征建模.
• 采用了一种光谱特征嵌入模块,用于动态光谱图案捕获的顺序群点卷.
• 使用了带有差异注意力机制的空间特征提取模块,以优化通道连接和降低噪音.
• 纳入监管的对比损失,以强制执行对象不变的特征表示.

主要成果:

• 在主体独立的范式下,SC-SDT在SEED,SEED-IV和DEAP数据集上实现了竞争性的情绪分类性能.
• 该框架有效地建模了光谱空间神经特征,以准确识别情绪.
• 展示了卓越的跨主题概括能力,突出了模型的稳定性.

结论:

• 通过整合光谱和空间特征提取,SC-SDT为基于EEG的情绪识别提供了一种新且有效的方法.
• 在EEG分析中,差异性注意力的开创性应用有助于减轻注意力噪声和优化功能连接.
• 拟议的方法为高效的光谱空间特征提取提供了基础,提高了模型性能和通用性.