يُعتبر التعرف على المشاعر من بيانات تخطيط الدماغ الكهربائي (EEG) أمراً بالغ الأهمية في مراقبة الصحة النفسية وتطبيقات دماغ-كمبيوتر العاطفية. ورغم أن العديد من التقنيات المعتمدة على التعلم العميق تم تطبيقها في هذا المجال، إلا أن هذه الأساليب غالباً ما تعالج فئات المشاعر كتصنيفات معزولة، مما يغفل الترابطات النفسية بينها.

نقدم لكم إطار عمل جديد يعتمد على التعلم العميق منظم بالرسوم البيانية (Graph-Regularized Learning Framework) يُمثل المشاعر كنقاط في رسم بياني، بينما تُجسد الحواف القرب بينها استناداً إلى النظريات العاطفية المختلفة.

تعتمد استراتيجياتنا في تنظيم التعلم على ثلاثة تكاملية، تشمل:
1. **تنعيم العلامات الرسومية (Graph Label Smoothing)** – طريقة تسهل تصنيفات ناعمة وبديهية.
2. **الحدود المتنقلة على الرسم البياني باستخدام المصطلح الرسومي (Graph Laplacian)** – نظرية الطيف الرسومي.
3. **مسافة وايرستاين المقطوعة (Sliced Wasserstein Distance)** – نقل مُثلي على الرسم البياني.

هذه الاستراتيجيات تُعاقب التوقعات النموذجية التي تنحرف عن البنية النفسية المعترف بها للمشاعر، مما يؤدي إلى تحسينات ملحوظة في دقة النماذج.

تم تقييم إطار العمل لدينا على ثلاثة هياكل أساسية تمثيلية:
- **AudioTransformer** (محول بحت)،
- **Conformer** (هايبرد CNN-Transformer)،
- **DCGNN** (شبكة عصبية بيانية سببية).

أظهرت التجارب على مجموعتي بيانات SEED-IV (4 فئات) وSEED-V (5 فئات) تحسينات ثابتة في الأداء، حيث سجلنا أعلى معدل دقة يصل إلى +5.42% مع تقليل أخطاء التصنيف النفسية غير المعقولة بنسبة 39%.

بفضل هذا الإطار، يساهم هذا الابتكار في رفع الحد الأقصى للأداء الممكن باستخدام الطرق القياسية، وسيتم إصدار الشيفرة الخاصة به قريباً. ما مدى اهتمامكم في معرفة المزيد حول هذا الابتكار المثير؟ شاركونا آرائكم في التعليقات!