Emotionserkennung auf der Basis von EEG-Daten unter Verwendung regularisierter Graph-Neuralnetze

Die Elektroenzephalographie (EEG) misst die neuronale Aktivität in verschiedenen Hirnregionen mittels Elektroden. Viele bestehende Studien zur Emotionserkennung auf der Grundlage von EEG nutzen die Topologie der EEG-Kanäle nicht vollständig aus. In dieser Arbeit schlagen wir ein regularisiertes Graph-Neurales Netzwerk (RGNN) für die Emotionserkennung auf der Basis von EEG vor. Das RGNN berücksichtigt die biologische Topologie zwischen verschiedenen Hirnregionen, um sowohl lokale als auch globale Beziehungen zwischen den einzelnen EEG-Kanälen zu erfassen. Insbesondere modellieren wir die Interkanalbeziehungen in EEG-Signalen durch eine Adjazenzmatrix in einem Graph-Neuronalen Netzwerk, wobei die Verbindungen und Dichtigkeit der Adjazenzmatrix auf neurologischen Theorien der menschlichen Gehirngliederung basieren. Darüber hinaus schlagen wir zwei Regularisierer vor, nämlich das node-basierte domänenfeindliche Training (NodeDAT) und das emotionsbewusste Verteilungslernen (EmotionDL), um die Variationen bei cross-subjektiven EEG-Daten und verrauschte Labels besser zu behandeln. Ausführliche Experimente mit zwei öffentlichen Datensätzen, SEED und SEED-IV, zeigen die überlegene Leistung unseres Modells im Vergleich zu den besten bisherigen Modellen in den meisten experimentellen Szenarien. Zudem belegen Ablationsstudien, dass die vorgeschlagene Adjazenzmatrix und die beiden Regularisierer konsistent und signifikante Verbesserungen für die Leistung unseres RGNN-Modells liefern. Schließlich enthüllen Untersuchungen der neuronalen Aktivitäten wichtige Hirnregionen und Interkanalbeziehungen für die Emotionserkennung auf der Grundlage von EEG.