Multi-Domain Encoding of Spatiotemporal Dynamics in EEG for Emotion Recognition

计算机科学 编码(内存) 脑电图 动力学(音乐) 领域(数学分析) 人工智能 模式识别(心理学) 语音识别 心理学 数学 神经科学 教育学 数学分析
作者
Cheng Cheng,Yong Zhang,Luyao Liu,Wenzhe Liu,Lin Feng
出处
期刊:IEEE Journal of Biomedical and Health Informatics [Institute of Electrical and Electronics Engineers]
卷期号:27 (3): 1342-1353 被引量:8
标识
DOI:10.1109/jbhi.2022.3232497
摘要

The common goal of the studies is to map any emotional states encoded from electroencephalogram (EEG) into 2-dimensional arousal-valance scores. It is still challenging due to each emotion having its specific spatial structure and dynamic dependence over the distinct time segments among EEG signals. This paper aims to model human dynamic emotional behavior by considering the location connectivity and context dependency of brain electrodes. Thus, we designed a hybrid EEG modeling method that mainly adopts the attention mechanism, combining a multi-domain spatial transformer (MST) module and a dynamic temporal transformer (DTT) module, named MSDTTs. Specifically, the MST module extracts single-domain and cross-domain features from different brain regions and fuses them into multi-domain spatial features. Meanwhile, the temporal dynamic excitation (TDE) is inserted into the multi-head convolutional transformer to form the DTT module. These two blocks work together to activate and extract the emotion-related dynamic temporal features within the DTT module. Furthermore, we place the convolutional mapping into the transformer structure to mine the static context features among the keyframes. Overall results show that high classification accuracy of 98.91%/0.14% was obtained by the $\beta$ frequency band of the DEAP dataset, and 97.52%/0.12% and 96.70%/0.26% were obtained by the $\gamma$ frequency band of SEED and SEED-IV datasets. Empirical experiments indicate that our proposed method can achieve remarkable results in comparison with state-of-the-art algorithms.
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
maclogos发布了新的文献求助10
刚刚
wlnhyF完成签到,获得积分10
刚刚
一只胖赤赤完成签到 ,获得积分10
1秒前
凊嗏淡墨完成签到,获得积分10
2秒前
多读文献完成签到 ,获得积分10
3秒前
啦啦啦完成签到 ,获得积分10
5秒前
sober发布了新的文献求助10
5秒前
脑洞疼应助一个小胖子采纳,获得80
5秒前
bigfish完成签到,获得积分10
7秒前
7秒前
Neon0524完成签到 ,获得积分10
8秒前
krathhong完成签到 ,获得积分10
9秒前
冰水完成签到,获得积分10
10秒前
李爱国应助wjw采纳,获得10
11秒前
XIA完成签到 ,获得积分10
12秒前
JingFanGao发布了新的文献求助10
12秒前
13秒前
13秒前
侠客完成签到 ,获得积分10
13秒前
虚拟的尔蓝完成签到 ,获得积分10
15秒前
上善若水完成签到 ,获得积分10
16秒前
重要的惜萍完成签到,获得积分10
17秒前
17秒前
sober完成签到,获得积分10
17秒前
xiewuhua发布了新的文献求助10
17秒前
大饼完成签到,获得积分10
17秒前
22秒前
15860936613完成签到 ,获得积分10
22秒前
元友容发布了新的文献求助10
23秒前
沉静的八宝粥完成签到,获得积分10
23秒前
spp完成签到 ,获得积分10
23秒前
JamesPei应助苏邑采纳,获得10
24秒前
ywsss完成签到,获得积分10
27秒前
Yanki完成签到,获得积分10
27秒前
zz完成签到,获得积分10
27秒前
周周南完成签到 ,获得积分10
27秒前
研友_Zzrx6Z发布了新的文献求助30
28秒前
28秒前
g7001完成签到,获得积分10
29秒前
SH123完成签到 ,获得积分10
30秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 850
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
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 3248882
求助须知:如何正确求助?哪些是违规求助? 2892279
关于积分的说明 8270432
捐赠科研通 2560561
什么是DOI,文献DOI怎么找? 1389110
科研通“疑难数据库(出版商)”最低求助积分说明 651004
邀请新用户注册赠送积分活动 627850