基于层次图结构的多通道 EEG 情绪分类方法——HiSTN
信号处理
2024-08-29 v1 计算机视觉与模式识别
机器学习
摘要
本研究介绍了一种专为使用多通道脑电图数据进行情绪分类任务设计的参数高效层次空间时间网络（HiSTN）。该网络在不同抽象层次从底向上构建图层次结构，具有增强任务相关深层特征提取和轻量级设计的双重优势。当与提出的独特标签平滑方法结合使用时，模型的效果得到进一步放大。全面的基准实验结果表明，该组合方法在定量和定性预测方面均实现了高水平、平衡的性能。在 DREAMER 数据集上进行的以受试者为依赖的测试中，HiSTN（约 1000 个参数）实现了 valence 为 96.82%、arousal 为 95.62% 的平均 F1 分数。在受试者独立的设置下，同一模型分别实现了 valence 和 arousal 的平均 F1 分数分别为 78.34% 和 81.59%。采用顺序前 2 名中奖率（Seq2HR）指标，凸显了我们方法在模型预测的平衡度方面所实现的显著性改进——在受试者依赖任务中超过 50%，在受试者独立任务中超过 30%。本研究还包括相关的消除实验和案例探索，以进一步阐明所提出模型的工作原理并提高其可解释性。
引用
@article{arxiv.2408.15255,
title = {Emotion Classification from Multi-Channel EEG Signals Using HiSTN: A Hierarchical Graph-based Spatial-Temporal Approach},
author = {Dongyang Kuang and Xinyue Song and Craig Michoski},
journal= {arXiv preprint arXiv:2408.15255},
year = {2024}
}
备注
Draft