EEG-Gefühlserkennung mithilfe dynamischer graphenbasierten Faltungsneuraler Netze

In diesem Paper wird ein mehrkanaliges EEG-Emotionserkennungsverfahren basierend auf einem neuartigen dynamischen Graphen-Convolutional Neural Network (DGCNN) vorgestellt. Der zentrale Ansatz des vorgeschlagenen EEG-Emotionserkennungsverfahrens besteht darin, die mehrkanaligen EEG-Features mittels eines Graphen zu modellieren und anschließend die EEG-Emotionsklassifikation auf Basis dieses Modells durchzuführen. Im Gegensatz zu traditionellen Graphen-Convolutional Neural Network (GCNN)-Ansätzen kann das vorgestellte DGCNN-Verfahren die intrinsischen Beziehungen zwischen den verschiedenen Elektroenzephalogramm-(EEG)-Kanälen dynamisch lernen, wobei diese Beziehungen durch eine Adjazenzmatrix repräsentiert werden, und dies durch das Training eines neuronalen Netzwerks. Dadurch wird eine differenziertere Extraktion von EEG-Features ermöglicht. Anschließend wird die gelernte Adjazenzmatrix genutzt, um differenziertere Merkmale zu erlernen und somit die Leistung der EEG-Emotionserkennung zu verbessern. Umfassende Experimente wurden auf den Datensätzen SJTU Emotion EEG (SEED) und DREAMER durchgeführt. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene Verfahren eine bessere Erkennungsleistung als die derzeitigen State-of-the-Art-Methoden erzielt: Auf der SEED-Datenbank wurde eine durchschnittliche Erkennungsgenauigkeit von 90,4 % für die subject-dependent-Experimente und 79,95 % für die subject-independent Kreuzvalidierung erreicht. Auf der DREAMER-Datenbank wurden jeweils durchschnittliche Genauigkeiten von 86,23 %, 84,54 % und 85,02 % für die Klassifikationen von Valenz, Erregung und Dominanz erzielt.