EEG感情認識における機能的接続機能とリーマニアン多様体の組み合わせに関する研究

はじめに：感情的なコンピューティングは、脳波（EEG）ベースの感情認識が主要な研究志向の1つである人間コンピューターインターフェイス（HCI）がよりインテリジェントになるコアです。さらに、脳コンピューターの界面の分野では、リーマニアン多様体は非常に堅牢で効果的な方法です。ただし、特徴の対称的な正の明確さ（SPD）は、そのアプリケーションを制限します。 方法：現在の作業では、ラプラスマトリックスを導入して、機能接続機能、つまり位相ロック値（PLV）、ピアソン相関係数（PCC）、スペクトルコヒーレント（COH）、および相互情報（MI）を変換しました。セミポジティブ、および変換された機能がプラスになるように最大演算子。その後、SPDネットワークが採用され、深い空間情報が抽出され、抽出された機能の有効性を検証するために完全に接続されたレイヤーが採用されます。特に、決定レイヤー融合戦略を利用して、より正確で安定した認識結果を実現し、さまざまな機能の組み合わせの分類パフォーマンスの違いを調査します。さらに、機能接続機能に適用される最適なしきい値値も研究されています。 結果：公共の感情データセットであるシードが採用され、被験者に依存する相互検証戦略を使用して提案された方法をテストします。4つの機能の平均精度の結果は、PCCが他の3つの機能よりも優れていることを示しています。提案されたモデルは、PLV、PCC、およびCOHの融合に対して91.05％の最高の精度を達成し、その後に4つの機能すべてを90.16％の融合で融合します。 議論：実験結果は、4つの機能接続機能の最適なしきい値が、固定間隔内で常に比較的安定した状態に保たれることを示しています。結論として、実験結果は、提案された方法の有効性を実証しました。

INTRODUCTION: Affective computing is the core for Human-computer interface (HCI) to be more intelligent, where electroencephalogram (EEG) based emotion recognition is one of the primary research orientations. Besides, in the field of brain-computer interface, Riemannian manifold is a highly robust and effective method. However, the symmetric positive definiteness (SPD) of the features limits its application. METHODS: In the present work, we introduced the Laplace matrix to transform the functional connection features, i.e., phase locking value (PLV), Pearson correlation coefficient (PCC), spectral coherent (COH), and mutual information (MI), to into semi-positive, and the max operator to ensure the transformed feature be positive. Then the SPD network is employed to extract the deep spatial information and a fully connected layer is employed to validate the effectiveness of the extracted features. Particularly, the decision layer fusion strategy is utilized to achieve more accurate and stable recognition results, and the differences of classification performance of different feature combinations are studied. What's more, the optimal threshold value applied to the functional connection feature is also studied. RESULTS: The public emotional dataset, SEED, is adopted to test the proposed method with subject dependent cross-validation strategy. The result of average accuracies for the four features indicate that PCC outperform others three features. The proposed model achieve best accuracy of 91.05% for the fusion of PLV, PCC, and COH, followed by the fusion of all four features with the accuracy of 90.16%. DISCUSSION: The experimental results demonstrate that the optimal thresholds for the four functional connection features always kept relatively stable within a fixed interval. In conclusion, the experimental results demonstrated the effectiveness of the proposed method.