Граф-регуляризация повысила точность распознавания эмоций по ЭЭГ до 5,42%
Международная группа исследователей разработала новый подход к распознаванию эмоций по электроэнцефалограмме (ЭЭГ) с помощью глубокого обучения. Метод основан на графовой регуляризации, которая учитывает психологическую структуру эмоций, а не рассматривает их как изолированные классы.
Традиционные нейросетевые модели часто игнорируют взаимосвязи между эмоциями, что приводит к необоснованным ошибкам, например, путая радость и грусть. Авторы предложили три стратегии регуляризации: сглаживание меток на графе, спектральное расстояние и транспортную метрику Вассерштейна на графе.
Фреймворк протестировали на трех архитектурах: AudioTransformer (чистый трансформер), Conformer (гибрид CNN-трансформер) и DCGNN (каузальная графовая нейросеть). Улучшения были достигнуты на всех архитектурах, что говорит об универсальности подхода.
Эксперименты на открытых наборах SEED-IV (4 класса) и SEED-V (5 классов) показали прирост точности до 5,42% в лучшем случае. Количество психологически необоснованных misclassifications снизилось на 39%.
Это означает, что модель не только точнее определяет эмоцию, но и делает меньше ошибок, противоречащих человеческому восприятию. Например, она реже путает страх с удивлением или радость с печалью, что критически важно для психиатрии и аффективных интерфейсов.
Разработчики планируют опубликовать код в открытом доступе, что позволит другим исследователям интегрировать метод в свои системы. Это может ускорить внедрение ЭЭГ-распознавания эмоций в клиническую практику и реабилитацию.
Работа опубликована на сервере препринтов arXiv и проходит рецензирование. Метод обещает поднять планку производительности стандартных подходов за счет учета психологической топологии эмоций.
