Reconnaissance émotionnelle basée sur l'EEG à l'aide de réseaux neuronaux graphiques régularisés

L'électroencéphalographie (EEG) mesure les activités neuronales dans différentes régions cérébrales à l'aide d'électrodes. De nombreuses études existantes sur la reconnaissance émotionnelle basée sur l'EEG ne tirent pas pleinement parti de la topologie des canaux EEG. Dans cet article, nous proposons un réseau neuronal graphique régularisé (RGNN) pour la reconnaissance émotionnelle basée sur l'EEG. Le RGNN prend en compte la topologie biologique entre différentes régions cérébrales afin de capturer à la fois les relations locales et globales entre les différents canaux EEG. Plus précisément, nous modélisons les relations inter-canales dans les signaux EEG par une matrice d'adjacence au sein d'un réseau neuronal graphique, où la connectivité et la parcimonie de cette matrice sont inspirées par les théories neuroscientifiques de l'organisation du cerveau humain. En outre, nous proposons deux régularisateurs, le NodeDAT (node-wise domain adversarial training) et l'EmotionDL (emotion-aware distribution learning), pour mieux gérer respectivement les variations inter-sujets des signaux EEG et les étiquettes bruyantes. Des expériences approfondies sur deux jeux de données publics, SEED et SEED-IV, démontrent que notre modèle offre des performances supérieures à celles des modèles de pointe dans la plupart des configurations expérimentales. De plus, des études d'ablation montrent que la matrice d'adjacence proposée et les deux régularisateurs apportent une amélioration constante et significative aux performances de notre modèle RGNN. Enfin, des investigations sur les activités neuronales révèlent des régions cérébrales importantes et des relations inter-canales pour la reconnaissance émotionnelle basée sur l'EEG.