使用动态图卷积神经网络的脑电情绪识别

摘要：本文提出了一种基于动态图卷积神经网络（DGCNN）的多通道脑电波情感识别方法。该方法通过使用图形模型对多通道脑电信号进行建模，并利用训练好的神经网络学习不同脑电通道之间的内在关系，从而提取更具区分度的脑电信号特征。实验结果表明，该方法在SEED和DREAMER

本文提出了一种基于动态图卷积神经网络（DGCNN）的多通道脑电波情感识别方法。该方法通过使用图形模型对多通道脑电信号进行建模，并利用训练好的神经网络学习不同脑电通道之间的内在关系，从而提取更具区分度的脑电信号特征。实验结果表明，该方法在SEED和DREAMER数据集上取得了比现有方法更好的情感分类性能。其中，在SEED数据库上的平均准确率为90.4％，而在DREAMER数据库上的平均准确率分别为86.23％、84.54％和85.02％。

方法描述

本文提出的算法是针对EEG情绪识别任务的DGCNN模型训练方法。该方法通过使用交叉熵损失函数来优化网络参数，并采用反向传播（BP）方法迭代更新网络参数以达到最优或次优解。在动态学习最佳邻接矩阵W的过程中，需要计算损失函数关于W的部分导数，然后使用梯度下降法更新W*和其他模型参数。此外，该方法还采用了Chebyshev多项式来近似图卷积核，并使用Relu操作对邻接矩阵中的元素进行正则化处理，以防止过拟合。

与传统的基于CNN的情绪识别方法相比，本文提出的方法引入了DGCNN模型，可以更好地捕捉信号之间的相关性和时序信息。同时，使用Chebyshev多项式代替传统的图卷积核，可以更有效地处理大规模的图数据。此外，通过对邻接矩阵中的元素进行正则化处理，可以避免过拟合并提高模型泛化能力。

解决的问题

本文提出的DGCNN模型训练方法可以在EEG情绪识别任务中取得较好的性能表现，具有较高的准确率和鲁棒性。这种方法可以为EEG情绪识别领域的研究提供一种新的思路和工具，有助于进一步推动该领域的发展。

原文地址：https://ieeexplore.ieee.org/document/8320798