要約
脳波（EEG）は、電極を用いて異なる脳領域の神経活動を測定します。既存のEEGに基づく感情認識に関する多くの研究では、EEGチャンネルのトポロジーが十分に活用されていません。本論文では、EEGに基づく感情認識のために正則化グラフニューラルネットワーク（RGNN）を提案します。RGNNは、異なる脳領域間の生物学的なトポロジーを考慮し、異なるEEGチャンネル間の局所的および全体的な関係を捉えます。具体的には、グラフニューラルネットワークにおける隣接行列を用いてEEG信号内のチャンネル間関係をモデル化し、その接続と疎性は人間の脳組織に関する神経科学理論に着想を得ています。さらに、クロスサブジェクトのEEG変動とノイズラベルに対処するために、ノード単位ドメイン敵対学習（NodeDAT）と感情認識分布学習（EmotionDL）という2つの正則化手法を提案します。SEEDおよびSEED-IVという2つの公開データセットに対する広範な実験により、当モデルが既存の最先端モデルよりも大部分の実験設定で優れた性能を示すことが証明されました。また、アブレーションスタディでは、提案した隣接行列と2つの正則化手法が当RGNNモデルの性能に一貫して有意な貢献をしていることが示されています。最後に、神経活動に関する調査から、EEGに基づく感情認識において重要な脳領域とチャンネル間関係が明らかになりました。