Automatically Extracting and Utilizing EEG Channel Importance Based on Graph Convolutional Network for Emotion Recognition

计算机科学 脑电图 人工智能 卷积神经网络 图形 模式识别(心理学) 特征提取 自然语言处理 语音识别 理论计算机科学 心理学 神经科学
作者
Kun Yang,Zhenning Yao,Keze Zhang,Jing Xu,Li Zhu,Shichao Cheng,Jianhai Zhang
出处
期刊:IEEE Journal of Biomedical and Health Informatics [Institute of Electrical and Electronics Engineers]
卷期号:28 (8): 4588-4598
标识
DOI:10.1109/jbhi.2024.3404146
摘要

Graph convolutional network (GCN) based on the brain network has been widely used for EEG emotion recognition. However, most studies train their models directly without considering network dimensionality reduction beforehand. In fact, some nodes and edges are invalid information or even interference information for the current task. It is necessary to reduce the network dimension and extract the core network. To address the problem of extracting and utilizing the core network, a core network extraction model (CWGCN) based on channel weighting and graph convolutional network and a graph convolutional network model (CCSR-GCN) based on channel convolution and style-based recalibration for emotion recognition have been proposed. The CWGCN model automatically extracts the core network and the channel importance parameter in a data-driven manner. The CCSR-GCN model innovatively uses the output information of the CWGCN model to identify the emotion state. The experimental results on SEED show that: (1) the core network extraction can help improve the performance of the GCN model; (2) the models of CWGCN and CCSR-GCN achieve better results than the currently popular methods. The idea and its implementation in this paper provide a novel and successful perspective for the application of GCN in brain network analysis of other specific tasks. The code is available at https://github.com/ykhdu/CWGCN-CCSR-GCN .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
一一完成签到 ,获得积分10
1秒前
SciGPT应助聂学雨采纳,获得10
1秒前
marinemiao发布了新的文献求助10
2秒前
4秒前
gzw完成签到,获得积分10
4秒前
4秒前
如意的新梅完成签到,获得积分10
5秒前
坚强的皮皮虾完成签到,获得积分10
5秒前
qiuxue发布了新的文献求助10
6秒前
yeayeayea发布了新的文献求助10
6秒前
6秒前
小鱼爱吃猫完成签到,获得积分20
6秒前
cc完成签到,获得积分10
8秒前
单薄店员发布了新的文献求助10
8秒前
Yoo.发布了新的文献求助10
8秒前
我爱科研完成签到 ,获得积分10
9秒前
领导范儿应助Nini1203采纳,获得10
9秒前
华仔应助菲菲菲采纳,获得10
9秒前
10秒前
robi发布了新的文献求助10
11秒前
星河在眼里完成签到,获得积分10
11秒前
天天完成签到,获得积分10
14秒前
FREE完成签到,获得积分10
16秒前
Hello应助qiu采纳,获得10
16秒前
eternity136应助甜蜜的代容采纳,获得10
18秒前
18秒前
Nitric_Oxide应助刘老哥6采纳,获得10
22秒前
tyZhang完成签到,获得积分10
22秒前
刘斌发布了新的文献求助10
22秒前
23秒前
深情安青应助robi采纳,获得10
24秒前
科目三应助九九采纳,获得10
25秒前
26秒前
蒲黄妗子完成签到,获得积分10
27秒前
不如造访安眠完成签到 ,获得积分10
28秒前
Ryan完成签到,获得积分10
28秒前
28秒前
CC发布了新的文献求助10
28秒前
29秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3134791
求助须知:如何正确求助?哪些是违规求助? 2785712
关于积分的说明 7773726
捐赠科研通 2441524
什么是DOI,文献DOI怎么找? 1297985
科研通“疑难数据库(出版商)”最低求助积分说明 625075
版权声明 600825