Microstate-Guided Dynamic Graph Neural Network with Prototypical Contrastive Learning for EEG Emotion Recognition
Dieses Paper schlägt ein durch Mikrozustände gesteuertes dynamisches Graph-Neurales-Netzwerk vor, das durch prototypisches kontrastives Lernen erweitert wurde, um die sich entwickelnde Hirnkonnektivität für die EEG-Emotionserkennung zu modellieren und dabei eine subjektunabhängige Spitzengenauigkeit von 89,64 % auf dem SEED-Benchmark erreicht.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Das menschliche Gehirn ist eine weite, sich ständig verändernde Landschaft elektrischer Aktivität. Wenn wir einen plötzlichen Schub von Freude, eine Welle der Traurigkeit oder einen Moment der Ruhe spüren, verharrt diese Aktivität nicht einfach still; sie reorganisiert sich innerhalb von Millisekunden. Wissenschaftler versuchen schon lange, diese elektrischen Signale, bekannt als Elektroenzephalogramme oder EEG, zu lesen, um zu verstehen, was eine Person fühlt. Das Gehirn ist jedoch keine statische Maschine. Seine Verbindungen ändern sich schnell, während sich Emotionen entfalten, und jedes Gehirn ist etwas unterschiedlich verdrahtet. Dies macht es unglaublich schwierig, ein Computerprogramm zu entwickeln, das Emotionen über verschiedene Menschen hinweg präzise erkennen kann. Traditionelle Methoden verlassen sich oft darauf, die Gehirnaktivität als eine feste Karte oder eine einfache Momentaufnahme zu betrachten, wodurch die schnelle, fluide Art und Weise, wie das Gehirn tatsächlich arbeitet, unberücksichtigt bleibt.
Ein Team von Forschern der Kunming University of Science and Technology hat einen neuen Weg vorgeschlagen, um dieses Problem zu lösen. Anstatt die elektrischen Signale des Gehirns als ein statisches Bild zu behandeln, haben sie ein System entwickelt, das den natürlichen, schnellen Verschiebungen des Gehirns in Echtzeit folgt. Sie konzentrierten sich auf ein spezifisches Phänomen namens „Mikrozustände“. Stellen Sie sich das elektrische Feld des Gehirns wie ein Wettermuster auf einer Karte vor; für einen kurzen Moment behält das Muster eine bestimmte Form bei, dann springt es plötzlich in eine neue Form um. Diese flüchtigen Schnappschüsse, die nur einen Bruchteil einer Sekunde dauern, sind die Mikrozustände. Die Forscher fanden heraus, dass diese flüchtigen Muster kein zufälliges Rauschen sind, sondern tatsächlich die Bausteine dafür, wie das Gehirn Emotionen verarbeitet. Indem sie ihr Computermodell lehrten, auf diese schnellen Veränderungen zu achten, schufen sie ein System, das die emotionale Sprache des Gehirns viel besser verstehen kann als bisherige Methoden.
Der Kern ihres neuen Ansatzes ist ein Framework, das sie MG-PCL nennen. Um zu verstehen, wie es funktioniert, stellen Sie sich vor, Sie versuchen, ein Gespräch zwischen zwei Personen zu verstehen, die unterschiedliche Dialekte sprechen. Ein Standardcomputer würde vielleicht versuchen, jedes Wort wörtlich zu übersetzen, dabei aber Tonfall und Kontext verpassen. Das System der Forscher macht etwas Klügeres. Es zerlegt die Gehirnsignale zuerst in zwei Arten von Informationen. Der eine Typ erfasst die unmittelbare Frequenz der elektrischen Wellen, was so ist, als würde man auf die Lautstärke und die Tonhöhe einer Stimme hören. Der andere Typ erfasst die Mikrozustandsmuster, was dem Verständnis des Rhythmus und der Pausen in einem Gespräch entspricht. Das System kombiniert dann diese beiden Informationsströme, wobei es den Rhythmus der Mikrozustände nutzt, um die Interpretation der Stimme zu leiten. Dies ermöglicht es dem Modell, das große Ganze dessen zu sehen, wie sich das Gehirn organisiert, anstatt sich in den Details des elektrischen Rauschens zu verlieren.
Sobald das System diese Signale kombiniert hat, erstellt es eine dynamische Karte der Verbindungen im Gehirn. In älteren Methoden war diese Karte oft eine feste Vorlage, vergleichbar mit einer statischen Straßenkarte, die sich nie ändert. Aber die Verbindungen im Gehirn sind fluid; sie öffnen und schließen sich, während sich Emotionen verändern. Das neue System erstellt eine Karte, die sich Moment für Moment entwickelt. Es nutzt die Mikrozustandsmuster als Leitfaden, um zu entscheiden, welche Teile des Gehirns in jeder Sekunde miteinander kommunizieren. Das bedeutet, dass das Modell verfolgen kann, wie sich das Gehirn reorganisiert, während eine Person von einem neutralen Zustand in ein Gefühl von Glück oder Traurigkeit übergeht. Es betrachtet nicht nur, welche Teile aktiv sind, sondern wie das gesamte Netzwerk seine Struktur verändert, um ein bestimmtes Gefühl zu unterstützen.
Um dies über verschiedene Menschen hinweg zu ermöglichen, mussten die Forscher eine große Hürde überwinden: die Tatsache, dass kein Gehirn dem anderen gleicht. Ein Modell, das an einer Person trainiert wurde, versagt oft bei der Anwendung auf eine andere. Um dies zu beheben, führten sie eine Methode ein, die die emotionalen Muster verschiedener Menschen aufeinander abstimmt, ohne zu erzwingen, dass sie exakt gleich aussehen. Sie nutzten eine Technik, die ähnliche emotionale Erfahrungen gruppiert und so ein gemeinsames „Prototyp“-Modell für jedes Gefühl schafft. Denken Sie daran als das Finden der Gemeinsamkeiten zwischen den Erfahrungen verschiedener Menschen von Glück, anstatt zu versuchen, ihre Gehirne identisch zu machen. Durch die Abstimmung dieser gemeinsamen Prototypen lernt das System, die Essenz einer Emotion zu erkennen, unabhängig davon, wessen Gehirn sie produziert. Dies ermöglicht es dem Modell, gut zu generalisieren, was bedeutet, dass es die Emotionen von Menschen korrekt erraten kann, die es zuvor noch nie gesehen hat.
Die Forscher testeten ihr System unter Verwendung eines bekannten Datensatzes für Gehirndaten namens SEED-Datensatz, der Aufzeichnungen von vielen verschiedenen Menschen enthält, die emotionale Videos ansehen. Sie ließen das System Emotionen identifizieren, ohne dass es speziell auf die jeweilige Testperson trainiert worden war. Die Ergebnisse waren beeindruckend. Das neue System erreichte eine durchschnittliche Genauigkeit von 89,64 Prozent, was höher ist als bei allen anderen Methoden, die zuvor an denselben Daten getestet wurden. Wichtiger noch war, dass es konsistenter war und eine geringere Variation in der Leistung über verschiedene Menschen hinweg zeigte. Als die Forscher die Mikrozustandssteuerung aus ihrem System entfernten, sank die Genauigkeit signifikant, was bewies, dass diese schnellen Hirnmuster entscheidend für den Erfolg des Modells sind. Das System zeigte auch, dass es auf die richtigen Teile des Gehirns achtete, insbesondere auf die frontalen und temporalen Regionen, die für die emotionale Verarbeitung bekannt sind.
Die Studie legt nahe, dass der Schlüssel zum Verständnis von Gehirnsignalen darin liegt, deren dynamische Natur zu respektieren. Indem sie das Gehirn als ein System behandelten, das sich ständig in schnellen, rhythmischen Schüben reorganisiert, konnten die Forscher ein Modell entwickeln, das das Gehirn klarer sieht. Sie haben nicht nur einen besseren Weg gefunden, Emotionen zu klassifizieren; sie haben einen Weg gefunden, der Sprache der Veränderung des Gehirns zuzuhören. Obwohl das System noch nicht perfekt ist und immer noch leichte Schwierigkeiten hat, zwischen neutralen und negativen Gefühlen zu unterscheiden, deuten die Ergebnisse auf eine vielversprechende Zukunft hin. Die Forscher planen, ihren Ansatz an noch größeren und vielfältigeren Datensätzen zu testen, um zu sehen, ob er in realen Szenarien bestehen kann. Für den Moment zeigt die Arbeit, dass wir, wenn wir aufhören, das Gehirn in der Zeit einzufrieren und stattdessen seinem natürlichen Fluss folgen, ein tieferes Verständnis menschlicher Emotionen erschließen können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.