Jul, 2024

MVGT：基于空间关系的多视角图转换器用于脑电情绪识别

PDF
TL;DR本文提出了一种基于多视图图形变换器（MVGT）的方法，通过整合时域、频率域和空间域的信息（包括几何和解剖结构），并将电极的空间信息作为编码，从而全面提高模型的表达能力，与近年来的最新方法相比，在公开数据集上的实验结果证明了我们提出的模型的优越性，并且结果还表明 MVGT 能够有效地从多个领域中提取信息并捕捉 EEG 情感识别任务中的通道间关系。
electroencephalographyaffective computingmulti-view graph transformerspatial informationeeg emotion recognition
发现论文，激发创造
  • 基于图注意力机制的 EEG 情感识别中的局部时空模式学习

    研究提出了一种基于局部时空模式学习图注意力网络 (LTS-GAT) 的情感识别技术，通过图注意力机制检测 EEG 模式的局部信息，添加动态域鉴别器来提高算法鲁棒性，在个体依赖和独立的情况下验证了算法的有效性，并采用可视化方法研究了大脑不同区域和情感之间的关系以及情感稀疏性问题。

    Aug, 2022

  • EmT: 一种用于广义跨主题脑电情感识别的新型 Transformer

    将神经生理学的先前知识融入神经网络结构可提高情绪解码的性能。通过引入一种称为 EmT 的新型变压器模型，将 EEG 信号转换为时态图形式，并设计了一种用于学习时态上下文信息的模块，EmT 在广义跨受试者 EEG 情绪分类和回归任务中表现出色。

    Jun, 2024

  • 一种具有图平滑信号的混合时空注意力神经网络用于 EEG 情绪识别

    我们引入了一个深度神经网络用于情感分类，通过混合的时空编码和循环注意网络块获取可解释的生理学表示，并应用图信号处理工具对原始数据进行预处理以在空间域中进行图平滑。我们证明了我们的架构在公开可用的 DEAP 数据集上超过了最先进的情感分类结果，并通过转移学习的方式在 DREAMER 和情感英语词（EEWD）数据集上提高了情感分类准确性。

    Jul, 2023

  • 通过融合时频和空间表示改善基于 EEG 的情感识别

    该研究结合多个表示，使用多领域关注机制和跨领域特征融合方法构建了脑电情感识别网络，实验证明该网络优于其他现有方法，并实现了最新技术水平。

    Mar, 2023

  • 基于 Transformer 架构的 EEG 注意力估计的时空分析

    本文提出了一种基于 transformer-based 网络的新型框架，用于从 EEG 信号中获取注意状态，进一步优化了特征提取方法和频带。该网络已在两个公共数据集上进行了训练和验证，并取得了比现有模型更高的效果，可应用于实际情况下，如评估注意力缺陷多动障碍 (ADHD) 症状或驾驶评估中的警觉度。

    Apr, 2022

  • 基于脑电图的情绪识别中的图神经网络研究

    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。

    Feb, 2024

  • 基于 Transformer 的脑电解码空时特征学习

    研究提出了一种新的基于注意力机制的 EEG 解码方法，通过注意力变换增强空间特征，采用时间维度的切片进行注意力变换，使用全局平均池化和简单的全连接层对各类 EEG 数据进行分类。该方法在 EEG 的多分类方面达到了最先进水平，并有促进脑机接口的实际应用潜力。

    Jun, 2021

  • 基于图神经网络和结构化状态空间模型的多元信号时空建模

    提出了一种基于图的神经网络模型 GraphS4mer，用于对多变量信号进行时空建模，通过学习动态演化的图结构来捕捉数据中的空间和时间相关性，并在三个不同的任务中测试，发现相较于其它模型，GraphS4mer 有着更优的性能表现。

    Nov, 2022

  • 基于多模态联合图表示的脑动力学推断 - EEG-fMRI

    采用多模态分析方法的 EEG-fMRI 研究 最近在非侵入性神经影像学技术（如 EEG 和 fMRI）中得到了广泛应用，我们在此通过非线性融合方法、基于图像解析和深度学习等多个角度诠释该方法对人脑功能变化的研究所带来的新视角。

    Jan, 2022

  • 以二维图像为表示的适当拓扑地图上的时空汇聚用于脑电图分类

    基于脑电信号的运动想象分类的研究提出了一种新的方法，利用坐标转换的 t-SNE 生成二维图像来表示拓扑地图，利用 InternImage 提取空间特征，利用 PoolFormer 启发的时空汇聚来利用序列的脑电图像中隐藏的时空信息，通过实验表明该方法在跨个体验证中二、三、四类运动想象任务中均取得了最佳的分类精度，分别达到了 88.57%、80.65% 和 70.17%。

    Mar, 2024