Die auf EEG basierende Emotionserkennung ist eine entscheidende Aufgabe mit erheblichen Auswirkungen auf die Überwachung der psychischen Gesundheit, affektive Computerwissenschaft und klinische Entscheidungsunterstützung. Während Graph Neural Networks (GNNs) vielversprechend hinsichtlich der Modellierung der komplexen spatio-temporalen Dynamik von EEG-Signalen sind, kommen die vorhandenen Methoden nicht über die Berücksichtigung paarweiser räumlicher Abhängigkeiten hinaus und vernachlässigen kritische höherordentliche Assoziationen zwischen funktionell verwandten Hirnregionen. Darüber hinaus erreichen diese Ansätze oft kein frequenzspezifisches zeitliches Lernen, was zu suboptimalen Ergebnissen führt. Um diese Einschränkungen zu überwinden, schlagen wir das Subband Embedded Spatio-Temporal Network (SESTN) vor, ein neuartiges Framework, das räumliche und temporale Abhängigkeiten über mehrere Frequenzen hinweg gemeinsam modelliert. In SESTN werden EEG-Merkmale zunächst in Subband-Embedding-Räume projiziert, um eine feinere, frequenzspezifische Darstellung zu ermöglichen. Unser Ansatz verwendet dann neurophysiologische Prämissen, um gewichtete Hyperkanten zu konstruieren, die intra-regionale räumliche Beziehungen effektiver erfassen. Ein multi-head, auf Mamba basierendes zeitliches Modul wird anschließend verwendet, um frequenzspezifische zeitliche Dynamiken zu extrahieren. Schließlich integriert eine graphkonvolutionale Fusionsstrategie diese Merkmale über verschiedene Frequenzbänder. Umfangreiche Experimente mit zwei weit verbreiteten EEG-Eemotionserkennungsdatensätzen, SEED und SEED-IV, zeigen, dass SESTN die Klassifikationsleistung in sowohl subjektabhängigen als auch subjektunabhängigen Szenarien erheblich verbessert. Diese Ergebnisse bekräftigen das Potenzial von SESTN als robustes und effektives Framework für reale biomedizinische Anwendungen, insbesondere in der Überwachung affektiver Zustände und der Bewertung der psychischen Gesundheit.
Shi et al. (Thu,) untersuchten diese Frage.