通过复杂网络探索脑电图情感识别：来自序数模式可视性图的见解

从脑电图（EEG）构建复杂网络被证明是一种有效的情感计算中表示情感模式的方法，因为它提供了与大脑情感相关的丰富时空EEG特征。本文提出了一种从EEG信号构建复杂网络的新方法，该方法首先通过相空间重构获得序数模式，然后基于可视性图方法形成序数模式序列的图网络表示，命名为ComNet-PSR-VG。对于所提出的ComNet-PSR-VG，初始步骤是使用相空间重构将EEG信号映射为一系列序数分区，从而生成序数模式序列。这些序数模式随后被量化形成符号化的新序列。随后，得到的符号化序列被转换为图网络，使用可视性图方法。提取图网络中的两种类型的节点度量值，平均节点度数（AND）和节点度数熵（NDE），作为机器学习用于EEG情感识别的输入。为了评估基于序数模式可视性图的复杂网络构建方法的有效性，使用两种类型的模拟信号（随机信号和洛伦兹信号）进行比较实验。随后，在SEED EEG情感数据集上进行EEG情感识别。实验结果表明，以AND为特征，我们提出的方法比现有的可视性图方法高4.88%，比相空间重构方法高12.23%。这些发现表明，我们提出的新方法不仅实现了有效的情感EEG模式识别，还有扩展到其他EEG模式学习任务的潜力，建议该方法具有广泛的适应性和应用潜力。