Un Nouveau Modèle de Disparité Bi-hémisphérique pour la Reconnaissance des Émotions par EEG

L'étude en neurosciences a révélé la disparité de l'expression des émotions entre les hémisphères gauche et droit du cerveau humain. Inspirés par cette étude, nous proposons dans cet article un nouveau modèle de disparité bi-hémisphérique (BiHDM) pour apprendre les différences asymétriques entre les deux hémisphères dans le cadre de la reconnaissance émotionnelle par électroencéphalographie (EEG). Plus précisément, nous utilisons d'abord quatre réseaux neuronaux récurrents (RNN) dirigés basés sur deux orientations spatiales pour parcourir les signaux électrodiques dans deux régions cérébrales distinctes, ce qui permet au modèle d'obtenir des représentations profondes de tous les signaux des électrodes EEG tout en conservant leur dépendance spatiale intrinsèque. Ensuite, nous concevons un sous-réseau à paires pour capturer les informations de disparité entre les deux hémisphères et extraire des caractéristiques de niveau supérieur pour la classification finale. De plus, afin de réduire le décalage de domaine entre les données d'entraînement et de test, nous utilisons un discriminateur de domaine qui induit adversairement le module d'apprentissage global des caractéristiques à générer des caractéristiques liées aux émotions mais invariantes par rapport au domaine, ce qui peut améliorer davantage la reconnaissance émotionnelle EEG. Nous menons des expériences sur trois jeux de données EEG émotionnels publics, et ces expériences montrent que de nouveaux résultats d'avant-garde peuvent être obtenus.