MEEG and AT-DGNN: Advancing EEG Emotion Recognition with Music and Graph Learning

最近神经科学的进展阐明了在认知任务中协调的脑区活动的关键作用。为了探索这种复杂性，我们介绍了MEEG数据集，这是一个全面的多模态音乐诱发脑电图（EEG）数据集，以及基于注意力的时间学习器和动态图神经网络（AT-DGNN），这是一个新颖的用于基于EEG的情感识别的框架。MEEG数据集捕捉了对音乐的广泛情感反应，使得可以深入分析音乐背景下的脑电波模式。AT-DGNN将基于注意力的时间学习器与动态图神经网络（DGNN）相结合，以准确地建模EEG数据在不同脑网络拓扑下的局部和全局图动力学。我们的评估表明，AT-DGNN实现了卓越的性能，在唤醒和价值方面的准确率（ACC）分别为83.06％和85.31％，在MEEG数据集上优于最先进的方法。与DEAP等传统数据集的比较分析突显了我们方法的有效性，并强调了音乐作为情感诱导强有力媒介的潜力。这项研究不仅推进了我们对大脑情感加工的理解，还提高了脑机接口（BCI）中情感识别技术的准确性，利用了基于图的学习和音乐的情感影响。源代码和数据集可在\textit{https://github.com/xmh1011/AT-DGNN}上获取。

AT-DGNN论文旨在解决基于EEG数据进行情感识别的问题，同时验证使用音乐作为情感诱发的有效性。这是一个新问题。

AT-DGNN将注意力机制和动态图神经网络相结合，以准确建模EEG数据的局部和全局图动态，实现情感识别。

论文使用了MEEG数据集和DEAP数据集进行实验，证明了AT-DGNN方法的优越性。此外，论文还开源了代码和数据集。

近期相关研究包括： 1. 'EEG-based emotion recognition using deep learning network with principal component based covariate shift adaptation'； 2. 'Emotion recognition using EEG signals: a survey'。