Исследовательская группа Университета Иннополис, Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» и Джадавпурского университета (Индия) опубликовала результаты разработки гибридной нейросетевой архитектуры для распознавания эмоциональных состояний по сигналам электроэнцефалограммы. Предлагаемый подход устраняет ключевые недостатки существующих методов: необходимость ручной настройки признаков, низкую обобщаемость на новых данных и высокую вычислительную стоимость.

Предложенная архитектура объединяет в себе две параллельные ветви нейронной сети, каждая из которых выполняет независимую обработку входного сигнала. Временная ветвь использует сеть долгой краткосрочной памяти (LSTM) для обработки сырых сигналов электроэнцефалограммы и обнаружения изменений, связанных с эмоциональными состояниями. Спектральная ветвь задействует сверточную нейронную сеть для извлечения частотных характеристик из сигналов.

Результаты обеих ветвей объединяются, а итоговая классификация выполняется компактной нейросетью. В архитектуру также включен механизм взаимного обогащения признаков между временной и спектральной ветвями. Информация, извлеченная каждой из ветвей, передается в другую ветвь и используется для уточнения собственных представлений модели на последующих этапах обработки. Данный механизм позволяет повысить точность итоговой классификации за счет учета как временных, так и частотных характеристик сигнала в их взаимосвязи.

Модель протестирована на трех общедоступных эталонных наборах данных электроэнцефалограммы. На наборах, требовавших определения спокойствия, стресса, радости и эмоциональных состояний в условиях стресса, точность модели достигла 99,99%. В первом случае система допустила три ошибки из 27 130 выборок, во втором — одну ошибку из 78 328. На наборе данных для отрицательных, нейтральных и положительных эмоций модель продемонстрировала точность 96,49% (15 ошибок из 427 выборок), что превышает предыдущий показатель в 95,99%. В наборе данных для спокойных, стрессовых и радостных состояний предыдущий лучший результат составлял 98,55%, а предложенная модель достигла 99,99%.

Ведущий программист-математик Исследовательского центра в сфере искусственного интеллекта Университета Иннополис Дмитрий Каплун отметил, что мониторинг психического здоровья с помощью распознавания эмоций играет важную роль в разработке систем персонализированного здравоохранения и ранней диагностики депрессии, тревожности и связанных со стрессом расстройств. В отличие от существующих подходов, требующих ручной настройки признаков, новая архитектура снимает эти ограничения и позволяет получать более быстрые и точные результаты при меньших вычислительных затратах.

📕📕📕
Источник Национальные проекты РФ
Источник Scientific Reports