.png){kind=icon}
返回
Functional Connectivity Patterns Learning for EEG-Based Emotion Recognition
.png){kind=icon}
PRE
AI
DOI：10.1109/TCDS.2024.3470248.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
神经科学研究揭示，不同情绪与不同脑区功能连接结构相关。然而，许多现有基于脑电图（EEG）的情绪识别方法广泛使用这些连接模式，而未区分具体情绪。此外，EEG信号的非平稳性常导致不同时段的高变异性，使模型提取时序特定特征而非情绪特征。本文提出一种用于基于EEG的情绪识别的功能连接模式学习网络（FCPL），以解决这些挑战。FCPL包括系数分支、图构建模块和周期域对抗模块。这些组件分别捕捉个体特征和特定情绪连接模式，并减少周期相关变异。FCPL取得最先进结果：在MPED数据集上，七分类受试者依赖/独立实验分别为42.04%/28.81%；在SEED数据集上，受试者依赖/独立实验分别为97.45%/89.88%；在DREAMER数据集上，效价/唤醒受试者依赖实验分别为95.98%/96.19%，效价/唤醒受试者独立实验分别为67.90%/65.60%。本研究推进了从粗粒度情绪相关模式到细粒度情绪区分的EEG信号功能连接结构探索，促进了神经科学和基于EEG的情绪识别技术。
Keyword:
EEG emotion recognition
functional connectivity patterns
graph neural network
nonstationarity
期刊
IF:
4.9
论文数:
1.1K
被引数:
3.5K
机构
引用论文
.png){kind=icon}
分享收藏An adversarial discriminative temporal convolutional network for EEG-based cross-domain emotion recognition用于基于EEG的跨域情感识别的对抗判别时间卷积网络
OAAI
OAAI分享收藏
查看更多内容