一种用于脑电情绪识别的图平滑信号混合端到端时空注意力神经网络
机器学习
2023-07-07 v1 信号处理
摘要
近年来，脑电图（EEG）信号等生理数据在情感计算中引起了广泛关注。在此背景下，主要目标是设计一种能够评估情绪状态的自动化模型。近来，深度神经网络在情绪识别任务中展现出良好的性能。然而，设计一种能够从原始数据中提取实用信息的深度架构仍然是一项挑战。在此，我们提出了一种深度神经网络，它通过时空编码与循环注意力网络块的混合结构来获取可解释的生理表征。此外，利用图信号处理工具对原始数据施加预处理步骤，以在空域执行图平滑。我们证明了所提架构在公开可用的DEAP数据集上的情绪分类结果超越了当前最优（SOTA）水平。为探索所学模型的泛化性，我们还通过将模型参数从特定源域迁移到其他目标域，评估了我们的架构在迁移学习（TL）方面的性能。以DEAP作为源数据集，我们证明了我们的模型在执行跨模态TL方面的有效性，并提升了在DREAMER和情绪英文词（EEWD）数据集上的情绪分类准确率，这些数据集涉及具有不同刺激源的基于EEG的情绪分类任务。
引用
@article{arxiv.2307.03068,
title = {A Hybrid End-to-End Spatio-Temporal Attention Neural Network with Graph-Smooth Signals for EEG Emotion Recognition},
author = {Shadi Sartipi and Mastaneh Torkamani-Azar and Mujdat Cetin},
journal= {arXiv preprint arXiv:2307.03068},
year = {2023}
}