Reconnaissance des émotions à partir d’EEG à l’aide de réseaux de neurones convolutifs graphiques dynamiques

Dans cet article, une méthode de reconnaissance émotionnelle à partir d’EEG multicanal basée sur un nouveau réseau neuronal à convolution sur graphe dynamique (DGCNN) est proposée. L'idée fondamentale de la méthode proposée consiste à modéliser les caractéristiques multicanal d’EEG à l’aide d’un graphe, puis à effectuer la classification émotionnelle à partir de ce modèle. Contrairement aux méthodes traditionnelles de réseaux de convolution sur graphe (GCNN), la méthode DGCNN proposée permet d’apprendre dynamiquement les relations intrinsèques entre les différents canaux d’EEG, représentées par une matrice d’adjacence, grâce à l’entraînement d’un réseau neuronal. Cette approche favorise ainsi une extraction de caractéristiques EEG plus discriminative. La matrice d’adjacence apprise est ensuite utilisée pour extraire des caractéristiques encore plus discriminantes, améliorant ainsi la reconnaissance émotionnelle à partir d’EEG. Des expériences approfondies ont été menées sur les bases de données SEED (SJTU Emotion EEG Dataset) et DREAMER. Les résultats expérimentaux montrent que la méthode proposée atteint une performance supérieure aux approches les plus avancées à ce jour : une précision moyenne de 90,4 % a été obtenue pour les expériences dépendantes du sujet sur la base SEED, contre 79,95 % pour les validations croisées indépendantes du sujet ; sur la base DREAMER, les précisions moyennes atteintes sont respectivement de 86,23 %, 84,54 % et 85,02 % pour les classifications de valence, d’excitation et de dominance.