攻壳智动,脑机接口

主要工作：

本研究的主要工作是构建一种基于脑电图（EEG）信号的高效人类情绪识别模型，以实现情绪脑机交互和提高机器智能。

数据：

研究使用了公开的SEED和DEAP数据集进行情绪识别性能评估。

分析方法：

采用空时特征融合的卷积图注意网络（STFCGAT）模型进行情绪识别。首先，结合单通道差分熵（DE）特征和跨通道功能连接（FC）特征，提取了EEG的时域变化和空间拓扑信息。随后，采用新颖的卷积图注意网络融合DE和FC特征，并进一步提取具有足够表达能力的高层图结构信息用于情绪识别。此外，引入了图神经网络中的多头注意机制，以提高模型的泛化能力。

结论：

在SEED数据集上，我们的模型在主体相关和主体无关实验中实现了99.11% ± 0.83%和94.83% ± 3.41%的分类准确率，并在DEAP数据集上在主体无关实验中实现了91.19% ± 1.24%和92.03% ± 4.57%的唤醒度和价值辨识准确率。值得注意的是，我们的模型在两个数据集上的跨主体情绪识别任务中表现出了最先进的性能。此外，通过消融实验和FC、DE特征的空间模式分析，我们对所提出的框架有了更深入的了解。

创新点：

本研究的创新点包括使用空时特征融合的方法，通过卷积图注意网络有效提取了EEG信号的时空特征，并引入了多头注意机制以提高模型的泛化能力。

新的发现：

研究发现不同情绪状态下的大脑空时特征存在显著差异。

研究意义：

该研究结果证明了STFCGAT架构在情绪识别方面的有效性，并且表明不同情绪状态下的脑部空时特征存在显著差异。这对于实现情绪脑机交互和提高机器智能具有重要意义。

参考文献：

Li Z, Zhang G, Wang L, Wei J, Dang J. Emotion recognition using spatial-temporal EEG features through convolutional graph attention network. J Neural Eng. 2023 Feb 14;20(1). doi: 10.1088/1741-2552/acb79e. PMID: 36720164.