Un modèle de réseau neuronal convolutif graphique temporel-spectral pour la reconnaissance des émotions par EEG au sein et entre les sujets

La reconnaissance des émotions basée sur l'EEG utilise des informations de haut niveau provenant des activités neuronales pour prédire les réponses émotionnelles chez les sujets. Cependant, ces informations sont réparties de manière sparse dans les domaines de fréquence, de temps et spatial, et varient entre les sujets. Pour relever ces défis dans la reconnaissance des émotions, nous proposons un nouveau modèle de réseau neuronal nommé Temporal-Spectral Graph Convolutional Network (TSGCN). Pour capturer les informations de haut niveau distribuées dans les domaines temporel, spatial et de fréquence, le TSGCN considère à la fois les changements d'oscillation neuronale dans différentes fenêtres temporelles et les structures topologiques entre différentes régions cérébrales. Plus précisément, une perte de Confusion de Catégorie Minimale (MCC) est utilisée dans le TSGCN pour réduire les incohérences entre les évaluations subjectives et les labels prédéfinis. De plus, pour améliorer la généralisation du TSGCN sur la variation entre sujets, nous proposons un apprentissage dynamique adversaire de caractéristiques profondes et superficielles (DSDAL) pour calculer la distance entre le domaine source et le domaine cible. D'importantes expériences ont été menées sur des ensembles de données publics pour démontrer que le TSGCN surpasse les méthodes à la pointe dans la reconnaissance des émotions basée sur l'EEG. Des études d'ablation montrent que les réseaux neuronaux mixtes et nos méthodes proposées dans le TSGCN contribuent de manière significative à sa haute performance et à sa robustesse. Des investigations détaillées fournissent en outre l'efficacité du TSGCN à relever les défis de la reconnaissance des émotions.