Feb, 2024

基于脑电图的情绪识别中的图神经网络研究

PDF
TL;DR通过开发图神经网络 (GNN) 在基于脑电图的情绪识别领域中的独特应用，研究综述了现有方法，并提供了构建 GNN 在基于脑电图情绪识别中的清晰指导，同时探讨了一些挑战和未来方向。
eeg-based emotion recognitiongraph neural networksbrain-computer interfacesbrain region dependenciesgraph construction
发现论文，激发创造
  • 基于图神经网络的脑电信号分类：综述

    通过系统综述和分类论述了基于图神经网络的脑电分类方法，发现光谱图卷积层在空间上存在较大优势，常见的节点特征为原始脑电信号和差分熵，同时提出了探索迁移学习方法和适当建模跨频率交互的方向。

    Oct, 2023

  • GNN4EEG：使用图神经网络进行脑电图分类的基准和工具包

    用于 EEG 信号基于图神经网络的建模的 GNN4EEG 是一个多功能且易于使用的工具包，并包括四个 EEG 分类任务的大型基准、各种先进的 GNN 基于 EEG 分类模型的易于使用的实现以及全面的实验设置和评价协议。

    Sep, 2023

  • 基于动态图神经网络的精确脑电图癫痫检测与分类

    这篇论文介绍了 NeuroGNN，一个动态图神经网络框架，通过捕捉脑电极位置和对应脑区语义之间的动态相互作用，来优化癫痫的检测和分类，并在实际数据上的广泛实验证明其明显优于现有的先进模型。

    May, 2024

  • 基于多个线索的图神经网络用于图像理解：以群体情绪识别和事件识别为例

    本文提出了一种基于多个线索的图神经网络（GNN）用于图像理解，相比于传统的特征和决策融合方法，GNN 能够在不同模型提取的特征之间传递信息。本文通过两个图像理解任务验证了 GNN 的性能，即组级情感识别（GER）和事件识别。实验表明，该方法在所选图像理解任务中取得了最优的性能。此外，本文介绍并共享了一个新的组级情感识别数据库。

    Sep, 2019

  • 基于机器学习和神经网络的 EEG 信号情绪分析

    本研究通过使用 SVM，KNN 和 RNN (LSTM) 等算法，对 DEAP 数据集中的 EEG 信号进行分类和测试，以探究如何使用脑信号来改进情绪识别的性能，并进一步研究情绪随时间变化的规律。

    Jul, 2023

  • 基于连接不确定性的图卷积网络用于基于脑电波的情绪识别

    基于多通道脑电图的自动情绪识别具有推进人机交互的巨大潜力，但现有算法情绪识别研究存在一些显著挑战，本研究通过引入基于图卷积网络体系结构的分布不确定性方法来解决这些挑战，实现了空间依赖性和时频相关性的表示，以及通过一种单向学习方式将不确定性学习方法与深层 GCN 权重相集成，结果表明我们的方法在情绪识别任务上优于之前的方法，取得了积极且显著的改进。

    Oct, 2023

  • 从 EEG 中揭示情绪：一个基于 GRU 的方法

    通过使用 Gated Recurrent Unit (GRU) 算法，该研究检测了使用 EEG 信号来预测情绪状态的能力，结果表明该模型在验证集上达到了 100% 准确率，并且与其他机器学习技术相比，GRU 模型的极限梯度提升分类器具有最高的准确性，这项研究强调了类似 GRU 的深度学习模型在情绪识别中的潜力以及情感计算的进展，发现为与计算机交互和理解情绪如何通过脑电波活动表达提供了新的可能性。

    Jul, 2023

  • 脑图学习的图神经网络综述

    探索人脑的复杂结构对于了解其功能和诊断脑部疾病至关重要。最近通过将人脑建模为具有图结构的模式来研究，其中不同的脑区表示为节点，这些区域之间的功能关系表示为边。此外，图神经网络（GNNs）在挖掘图结构数据方面显示出明显优势。近来，开发用于脑部疾病分析的 GNNs 进行脑图表示学习已引起越来越多的关注。然而，目前缺乏对该领域中当前研究方法的系统调查。本文旨在通过回顾利用 GNNs 进行脑图学习的研究工作来填补这一空白。我们首先介绍基于常见神经影像数据的脑图建模过程。随后，我们根据生成的脑图类型和目标研究问题对目前的工作进行系统分类。为了使这项研究能够为更广泛的研究人员群体所用，我们概述了代表性的方法和常用数据集，并提供其实施源。最后，我们对未来研究方向给出了我们的见解。该调查的存储库可访问 https://github.com/XuexiongLuoMQ/Awesome-Brain-Graph-Learning-with-GNNs。

    Jun, 2024

  • 基于循环神经网络和 KNN 的基于 EEG 信号的人类情感分类

    本研究通过机器学习方法，对脑机接口的 EEG 信号进行分析，利用离散小波变换，重复神经网络和 K 最近邻算法等技术，将与积极、中立和消极情绪相关的 EEG 信号进行分类，其分类性能高达 94.844％，相较于 KNN 算法的 93.438％更加优越。

    May, 2022

  • 基于脑电的情绪识别：教程和综述

    本文从研究者的角度出发，综述了近期 EEG 情感识别研究的代表性成果，并提供教程以帮助研究者从零开始。介绍了 EEG 情感识别在心理和生理水平上的科学基础，将这些被综述的作品分类为不同的技术路线，并说明了理论基础和研究动机，最后讨论了现有的挑战和未来的研究方向。

    Mar, 2022