一个带有多维特征的混合图表注意力网络,用于增强基于EEG的情绪识别

科学领域:

• 情感计算是一种情感计算.
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 来自电脑电图 (EEG) 信号的情绪识别对于人机交互至关重要.
• 现有的方法通常将EEG信号视为1D时间序列,忽视多维结构和细分动态.
• 需要先进的模型来捕捉EEG数据中的复杂关系,以改善情绪识别.

研究的目的:

• 提出一种新的混合图表注意力网络 (H-GAT) 模型,用于使用EEG信号增强情绪识别.
• 在EEG数据中有效建模多维依赖关系和动态细分关系.
• 为了提高情绪识别系统的准确性和可解释性.

主要方法:

• 开发了一个混合图表注意力网络 (H-GAT),集成图表注意力网络 (GAT),卷积神经网络 (CNN) 和长短期记忆 (LSTM).
• 用GAT模块的动态相似度 (皮尔森相关性) 将EEG信号转换为图形表示.
• 采用CNN用于局部时间模式提取和LSTM用于整体时间动态,其次是特征融合和分类.

主要成果:

• 在SEED和DEAP数据集上取得了卓越的性能.
• 在SEED数据集上获得了97.89% (二进制) 和96.67% (三进制) 的平均准确性.
• 在DEAP数据集上,达到了 93.09%的价值和 93.93%的唤起的平均准确性.

结论:

• 通过混合神经架构,H-GAT模型展示了通过混合神经架构推进情感识别的巨大潜力.
• 该模型有效地捕捉了EEG信号中的多维依赖性和时间动态.
• 拟议的方法为情感计算中的情感识别提供了一个强大的和可解释的解决方案.