EEG 기반 감정 인식을 위한 계층적 메타 학습 기반 적응형 뇌 지역 흐름 융합 방법

EEG(뇌파 신호) 기반 감정 인식은 감정 컴퓨팅에서 상당한 주목을 받고 있다. 그러나 기존의 최신 방법들은 여전히 두 가지 주요 과제에 직면해 있다: 1) 뇌 지역의 기능적 분할에서 선험적 생리학적 일관성과 데이터 기반 유연성 사이의 균형을 맞추기가 어렵다; 2) 개인 차이 및 지역-전역 특성 상관관계에 대한 비효율적인 시너지 적응. 이를 해결하기 위해, 우리는 EEG 기반 감정 인식을 위한 계층적 메타 학습 기반 적응형 뇌 지역 흐름 융합 방법(HMABRF)을 제안한다. 감정 신경 과학의 선행 지식에 의해 안내받아, 우리는 적응형 뇌 지역 흐름 분할 메커니즘을 설계한다. 우리는 먼저 자가 지도 대조 학습을 사용하여 채널 특징의 의미적 일관성을 높이고, 다음으로 미분 가능한 그셈벨-소프트맥스 함수를 사용하여 서브 흐름의 동적 클러스터링을 수행한다; 또한 계층적 메타 학습 프레임워크를 기반으로 LTIM(지역 조정 상호 작용 모듈)과 GTCM(전역 시간 보정 모듈)을 개발한다. LTIM은 내장된 양방향 특징 상호 작용 및 향상(BIE)을 통해 지역 내 다중 스케일 특징 상호 작용을 강화하며, 특히 지역 세부 사항의 개인 차이에 적응한다; GTCM은 Mamba와 맥락 시간 상호 작용 중계(CIR)를 활용하여 장거리 시간 의존성을 포착하고 전체 시퀀스에 걸쳐 주제별 전역 장기 특징 패턴에 정확하게 적응하며, 자가 감독 정렬 손실을 사용해 지역과 전역 특징 간의 의미적 일관성을 강화한다. 실험 결과는 HMABRF가 SEED 및 SEED-IV 데이터세트에서 기존의 최신 방법들을 능가함을 보여준다.