Microstate-Guided Dynamic Graph Neural Network with Prototypical Contrastive Learning for EEG Emotion Recognition
Dit artikel stelt een door microstates geleide dynamische graaf neurale netwerkverbetering voor met prototypische contrastieve leerprocessen om evoluerende hersenconnectiviteit voor EEG-emotieherkenning te modelleren, waarbij een state-of-the-art onderwerp-onafhankelijke nauwkeurigheid van 89,64% wordt bereikt op de SEED-benchmark.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Het menselijk brein is een uitgestrekt, verschuivend landschap van elektrische activiteit. Wanneer we een plotselinge golf van vreugde voelen, een golf van verdriet, of een moment van rust, staat deze activiteit niet stil; het organiseert zichzelf binnen milliseconden opnieuw. Wetenschappers proberen deze elektrische signalen, bekend als elektro-encefalogrammen of EEG, al lang te lezen om te begrijpt wat een persoon voelt. Het brein is echter geen statische machine. De verbindingen veranderen snel terwijl emoties zich ontvouwen, en de bedrading van elk brein is net even anders. Dit maakt het ongelooflijk moeilijk om een computerprogramma te bouwen dat emoties accuraat kan herkennen bij verschillende mensen. Traditionele methoden vertrouwen vaak op het bekijken van de hersenactiviteit als een vaste kaart of een eenvoudige snapshot, waarbij de snelle, vloeiende manier waarop het brein werkelijk functioneert, wordt gemist.
Een team onderzoekers aan de Kunming University of Science and Technology heeft een nieuwe manier voorgesteld om dit probleem op te lossen. In plaats van de elektrische signalen van het brein te behandelen als een statisch plaatje, hebben zij een systeem ontworpen dat de natuurlijke, snelle verschuivingen van het brein in realtime volgt. Ze richtten zich op een specifiek fenomeen genaamd "microstates". Stel je het elektrische veld van het brein voor als een weerpatroon op een kaart; voor een kort moment houdt het patroon een specifieke vorm aan, en dan springt het plotseling in een nieuwe vorm. Deze vluchtige patronen, die slechts een fractie van een seconde duren, zijn de microstates. De onderzoekers ontdekten dat deze vluchtige patronen geen willekeurige ruis zijn, maar daadwerkelijk de bouwstenen vormen van hoe het brein emoties verwerkt. Door hun computermodel te leren letten op deze snelle verschuivingen, creëerden ze een systeem dat de emotionele taal van het brein veel beter kan begrijpen dan eerdere methoden.
De kern van hun nieuwe aanpak is een framework dat ze MG-PCL noemen. Om te begrijpen hoe dit werkt, kun je je voorstellen dat je probeert een gesprek te begrijpen tussen twee mensen die verschillende dialecten spreken. Een standaardcomputer zou proberen elk woord letterlijk te vertalen, maar zou de toon en de context missen. Het systeem van de onderzoekers doet iets slimmers. Het breekt de hersensignalen eerst af in twee soorten informatie. Het ene type legt de onmiddellijke frequentie van de elektrische golven vast, wat vergelijkbaar is met het luisteren naar het volume en de toonhoogte van de stem. Het andere type legt de microstate-patronen vast, wat vergelijkbaar is met het begrijpen van het ritme en de pauzes in het gesprek. Het systeem combineert vervolgens deze twee informatiestromen, waarbij het ritme van de microstates wordt gebruikt om de interpretatie van de stem te sturen. Dit stelt het model in staat om het grotere plaatje te zien van hoe het brein zichzelf organiseert, in plaats van alleen maar verdwaald te raken in de details van de elektrische ruis.
Zodra het systeem deze signalen heeft gecombineerd, bouwt het een dynamische kaart van de verbindingen in het brein. Bij oudere methoden was deze kaart vaak een vast sjabloon, zoals een statische wegenkaart die nooit verandert. Maar de verbindingen in het brein zijn vloeiend; ze openen en sluiten terwijl emoties veranderen. Het nieuwe systeem creëert een kaart die van moment tot moment evolueert. Het gebruikt de microstate-patronen als een gids om te beslissen welke delen van het brein op elk gegeven moment met elkaar communiceren. Dit betekent dat het model kan volgen hoe het brein zichzelf reorganiseert terwijl een persoon overgaat van een neutraal gevoel naar een gelukkig of verdrietig gevoel. Het kijkt niet alleen naar welke delen actief zijn, maar naar hoe het hele netwerk zijn structuur aanpast om een specifieke emotie te ondersteunen.
Om dit werkend te krijgen bij verschillende mensen, moesten de onderzoekers een grote hindernis overwinnen: het feit dat geen enkel brein identiek is. Een model dat getraind is op één persoon, faalt vaak bij het testen op een ander. Om dit op te lossen, introduceerden ze een methode die de emotionele patronen van verschillende mensen op één lijn brengt zonder ze er exact hetzelfde uit te laten zien. Ze gebruikten een techniek die vergelijkbare emotionele ervaringen bij elkaar groepeert, waardoor een gedeelde "prototype" voor elk gevoel ontstaat. Denk aan het vinden van de gemeenschappelijke grond tussen de ervaringen van verschillende mensen met geluk, in plaats van te proberen hun breinen identiek te maken. Door deze gedeelde prototypes op één lijn te brengen, leert het systeem de essentie van een emotie te herkennen, ongeacht wiens brein deze produceert. Dit zorgt ervoor dat het model goed kan generaliseren, wat betekent dat het de emoties van mensen die het nog nooit eerder heeft gezien, accuraat kan raden.
De onderzoekers testten hun systeem met behulp van een bekende collectie hersendata genaamd de SEED-dataset, die opnames bevat van veel verschillende mensen die naar emotionele video's kijken. Ze vroegen het systeem om emoties te identificeren zonder dat het getraind was op de specifieke persoon die werd getest. De resultaten waren opmerkelijk. Het nieuwe systeem behaalde een gemiddelde nauwkeurigheid van 89,64 procent, wat hoger is dan elke andere methode die eerder op deze gegevens is getest. Belangrijker nog, het was consistenter en vertoonde minder variatie in prestaties tussen verschillende mensen. Wanneer de onderzoekers de microstate-begeleiding uit hun systeem verwijderden, daalde de nauwkeurigheid aanzienlijk, wat bewees dat deze snelle hersenpatronen essentieel zijn voor het succes van het model. Het systeem liet ook zien dat het aandacht besteedde aan de juiste delen van het brein, specifiek de frontale en temporale regio's, die bekend staan om hun rol bij emotionele verwerking.
De studie suggereert dat de sleutel tot het begrijpen van hersensignalen ligt in het respecteren van hun dynamische aard. Door het brein te behandelen als een systeem dat zichzelf voortdurend reorganiseert in snelle, ritmische uitbarstingen, waren de onderzoekers in staat een model te bouwen dat het brein duidelijker ziet. Ze hebben niet alleen een betere manier gevonden om emoties te classificeren; ze hebben een manier gevonden om naar de eigen taal van verandering in het brein te luisteren. Hoewel het systeem nog niet perfect is en nog steeds enigszins moeite heeft met het onderscheiden tussen neutrale en negatieve gevoelens, wijzen de resultaten op een veelbelovende toekomst. De onderzoekers zijn van plan hun aanpak te testen op nog grotere en diversere datasets om te zien of het standhoudt in real-world scenario's. Voor nu demonstreert het werk dat wanneer we stoppen met het proberen te bevriezen van het brein in de tijd en in plaats daarvan de natuurlijke stroom ervan volgen, we een dieper begrip van menselijke emotie kunnen ontsluiten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.