Resumen En los últimos años, el reconocimiento emocional basado en el aprendizaje profundo a partir de señales de electroencefalografía (EEG) ha atraído una atención significativa en las interfaces cerebro-computadora. Sin embargo, capturar de manera efectiva las dependencias locales y globales sigue siendo un desafío debido a las complejidades de los datos de EEG. Además, las redes neuronales convolucionales tradicionales y las RNN a menudo tienen dificultades para explorar completamente las relaciones espaciotemporales entre diferentes características. Para abordar estos problemas, proponemos un modelo de extremo a extremo con el transformador de cápsulas aumentado para mejorar el rendimiento del reconocimiento emocional de EEG, en el cual aprendemos características espaciales de canal cruzado de manera efectiva, y las señales de EEG crudas se ponderan automáticamente para enfatizar atributos clave. Posteriormente, la red de cápsulas extrae información espacial de bajo y alto nivel, aprovechando plenamente los posibles conocimientos dentro de las señales. A partir de esto, se emplea un transformador eficiente para modelar las relaciones entre diferentes electrodos, permitiendo un análisis más profundo de las dependencias temporales en múltiples características. Se llevan a cabo experimentos extensos en el conjunto de datos para el análisis emocional utilizando señales fisiológicas (DEAP), y los resultados de comparación con métodos existentes de última generación demuestran el rendimiento superior del método propuesto. Específicamente, para las dimensiones de excitación y valencia, las precisiones promedio de reconocimiento en experimentos dependientes del sujeto alcanzan el 93.51% y el 94.24%, mientras que los experimentos independientes del sujeto logran precisiones promedio del 86.78% y 87.59%.
Wang et al. (Sat,) estudiaron esta cuestión.