DuA：面向长期连续脑电情绪分析的双重注意力Transformer
人机交互
2024-07-31 v1 人工智能
摘要
情感脑机接口（aBCIs）因其通过脑电图（EEG）信号监测和解读情绪状态的潜力而日益受到认可。当前基于 EEG 的情绪识别方法在短时程 EEG 数据段上表现良好。然而，在情绪状态随时间演变的长时间场景中，这些方法面临重大挑战。为解决此问题，我们提出了一种用于长期连续 EEG 情绪分析的双重注意力（DuA）Transformer 框架。与基于分段的方法不同，DuA Transformer 将整个 EEG 试验作为一个整体进行处理，在试验级别识别情绪，称为基于试验的情绪分析。该框架旨在适应不同的信号长度，相比传统方法具有显著优势。DuA Transformer 包含三个关键模块：空间-频谱网络模块、时间网络模块和迁移学习模块。空间-频谱网络模块同时捕获 EEG 信号中的空间和频谱信息，时间网络模块检测长期 EEG 数据中的时间依赖性，迁移学习模块则增强模型在不同受试者和条件下的适应性。我们使用自建的长期 EEG 情绪数据库以及两个基准 EEG 情绪数据库对 DuA Transformer 进行了广泛评估。基于试验级留一受试者交叉验证协议，实验结果表明，所提出的 DuA Transformer 在长期连续 EEG 情绪分析中显著优于现有方法，平均性能提升 5.28%。
关键词
引用
@article{arxiv.2407.20519,
title = {DuA: Dual Attentive Transformer in Long-Term Continuous EEG Emotion Analysis},
author = {Yue Pan and Qile Liu and Qing Liu and Li Zhang and Gan Huang and Xin Chen and Fali Li and Peng Xu and Zhen Liang},
journal= {arXiv preprint arXiv:2407.20519},
year = {2024}
}
备注
11 pages, 3 figures