使用基于贝叶斯模型的脑电图源作为动态图卷积神经网络节点的准确情绪识别

本报告研究了基于贝叶斯模型的脑电图源作为动态图卷积神经网络节点的情绪识别。研究者使用基于伯努利-拉普拉斯的贝叶斯模型，通过从头皮传感器到大脑源的映射来对每种情绪进行建模。标准低分辨率电磁断层扫描 (sLORETA) 方法用于初始化该算法中的源信号。最后，使用动态图卷积神经网络（DGCNN）对情绪脑电图进行分类，其中提出的定位模型的源被认为是底层图节点。实验表明，所提算法的脑源建模显著提高了情绪识别的准确率，在对正负情绪两类分类过程中实现了99.25%的分类准确率。这些结果代表了与现有方法相比，在与主题相关和独立于主题的情况下，分类准确性绝对提高了 1-2%。此外，研究者还讨论了情绪状态的信息对于人机交互的重要性，并介绍了脑电图（EEG）作为一种非侵入性生理信号，适用于直接测量情绪状态下大脑的电活动。