PGCN：用于脑电图情绪识别的金字塔图卷积网络
人机交互
2024-08-22 v1 神经元与认知
摘要
情绪识别在多种精神疾病的诊断和康复中至关重要。近十年来，基于脑电图（EEG）的情绪识别因其突出的准确性和可靠性而得到深入研究，图卷积网络（GCN）已成为从 EEG 信号解码情绪的主流模型。然而，电极之间的关系，尤其是跨头皮的长程电极依赖，尽管已被证明在情绪识别中很重要，却可能未被 GCN 充分利用。较小的感受野使得浅层 GCN 只能聚合局部节点。另一方面，堆叠过多层会导致过度平滑。为解决这些问题，我们提出金字塔图卷积网络（PGCN），它在三个层次上聚合特征：局部、介观和全局。首先，我们基于电极的三维拓扑关系构建一个普通 GCN，用于整合二阶局部特征；其次，我们基于先验知识构建若干介观脑区，并采用介观注意力依次计算虚拟介观中心，以关注介观脑区的功能连接；最后，我们融合节点特征及其三维位置，构建数值关系邻接矩阵，从全局视角整合结构和功能连接。在三个公开数据集上的实验结果表明，PGCN 增强了跨头皮的关系建模，并在受试者依赖和受试者独立两种场景下均达到了最先进的性能。同时，PGCN 在增强网络深度和感受野与抑制随之而来的过度平滑之间取得了有效的权衡。我们的代码公开于 https://github.com/Jinminbox/PGCN。
引用
@article{arxiv.2302.02520,
title = {PGCN: Pyramidal Graph Convolutional Network for EEG Emotion Recognition},
author = {Ming Jin and Enwei Zhu and Changde Du and Huiguang He and Jinpeng Li},
journal= {arXiv preprint arXiv:2302.02520},
year = {2024}
}