基于EEG的情绪识别使用多轴适配器变压器

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 电脑电图 (EEG) 信号对于情绪识别至关重要,因为它们的时间分辨率很高.
• EEG模式的个体间的变化限制了跨主体情绪识别的传统方法.
• 现有的变压器模型经常使用复杂的混合架构,导致信息交互不足和复杂性增加.

研究的目的:

• 提出一个统一的变压器框架,即多轴适配器变压器 (MAAT) 网络,用于有效的EEG情感识别.
• 解决当前EEG情绪识别模型中跨主题概括和模型复杂性的局限性.
• 改进EEG信号中的频率,通道和时间维度之间的信息交互.

主要方法:

• 开发了一个多轴模块来取代标准的多头注意力,捕捉频率,通道和时间维度之间的依赖.
• 集成适配器层到变压器前层中,通过微调实现高效的跨学科转移学习.
• 利用统一的变压器框架,避免额外的模型组件以提高效率.

主要成果:

• 该MAAT模型在主体依赖和主体独立的EEG情绪识别任务中实现了高精度.
• 在SEED,SEED-IV和DEAP数据集的跨主题识别场景中表现出卓越的表现.
• 在不同的EEG数据集上验证了模型的有效性,稳定性和通用性.

结论:

• MAAT网络有效地模拟了EEG信号中的复杂关系,用于情绪识别.
• 适应器层促进了强大的跨学科转移学习,以最小的参数调整提高了概括性.
• MAAT的性能优于现有的方法,为基于EEG的情绪识别提供了更有效和更普遍的解决方案.