STILN：一种用于基于 EEG 的情绪识别的新型时空信息学习网络
信号处理
2022-11-23 v1
摘要
空间相关性与时间上下文在基于脑电图（EEG）的情绪识别中不可或缺。然而，多个通道间复杂空间相关性的学习是一个具有挑战性的问题。此外，时间上下文学习有助于强调关键的 EEG 帧，因为受试者在部分刺激期间才达到预期情绪。为此，我们提出一种新型时空信息学习网络（STILN），通过捕获空间相关性与时间上下文来提取判别性特征。具体而言，生成的二维功率地形图捕获电极间的依赖关系，并被输入基于 CNN 的空间特征提取网络。此外，卷积块注意力模块（CBAM）重新校准功率地形图的权重以强调关键脑区与频带。同时，批归一化（BN）与实例归一化（IN）被适当结合以缓解个体差异。在时间上下文学习中，我们采用双向长短期记忆网络（Bi-LSTM）来捕获 EEG 帧间的依赖关系。为验证所提方法的有效性，在公开 DEAP 数据集上进行了被试无关实验。所提方法取得了优异性能，唤醒与效价分类的准确率分别达到 0.6831 与 0.6752。
引用
@article{arxiv.2211.12103,
title = {STILN: A Novel Spatial-Temporal Information Learning Network for EEG-based Emotion Recognition},
author = {Yiheng Tang and Yongxiong Wang and Xiaoli Zhang and Zhe Wang},
journal= {arXiv preprint arXiv:2211.12103},
year = {2022}
}