用于脑电情感识别的渐进式图卷积网络
计算机视觉与模式识别
2021-12-17 v1 人工智能
人机交互
机器学习
信号处理
摘要
神经科学领域的研究揭示了情感模式与大脑功能区域之间的关系，表明不同大脑区域之间的动态关系是影响基于脑电图（EEG）的情感识别的关键因素。此外，在脑电情感识别中，基于相同的脑电数据，我们可以观察到粗粒度情感之间存在比细粒度情感之间更清晰的边界；这表明粗粒度情感变化大与细粒度情感变化小同时存在。因此，从粗粒度到细粒度类别的渐进式分类过程可能有助于脑电情感识别。因此，在本研究中，我们提出了一种渐进式图卷积网络（PGCN），以捕捉脑电情感信号中的这一固有特性，并逐步学习具有判别力的脑电特征。为了适应不同的脑电模式，我们构建了一个双图模块来表征不同脑电通道之间的内在关系，其中包含来自神经科学研究的动态功能连接和静态空间邻近信息。此外，受粗粒度与细粒度情感之间关系的观察启发，我们采用了一个双头模块，使 PGCN 能够参照情感的层次特征，从粗粒度（易）到细粒度类别（难）逐步学习更具判别力的脑电特征。为了验证模型的性能，我们在两个公开数据集上进行了大量实验：SEED-IV 和多模态生理情感数据库（MPED）。
引用
@article{arxiv.2112.09069,
title = {Progressive Graph Convolution Network for EEG Emotion Recognition},
author = {Yijin Zhou and Fu Li and Yang Li and Youshuo Ji and Guangming Shi and Wenming Zheng and Lijian Zhang and Yuanfang Chen and Rui Cheng},
journal= {arXiv preprint arXiv:2112.09069},
year = {2021}
}
备注
11 pages, 5 figures