半监督回归与自适应图表学习用于基于EEG的情绪识别
Tianhui Sha1, Yikai Zhang1, Yong Peng1,2
1School of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou, 310018, China.
Mathematical biosciences and engineering : MBE
|June 16, 2023
概括
这项研究引入了一种新的半监督回归与自适应图形学习 (SRAGL) 模型,用于更准确的跨会话电脑电图 (EEG) 情绪识别,改进现有方法.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 电脑电图 (EEG) 信号为情绪识别提供了丰富的生理数据,但由于非静止性和低信号噪声比,它们具有挑战性.
- 现有的方法在交叉会话变化和EEG数据中固有的噪音方面扎.
研究的目的:
- 开发一个强大的跨会话EEG情绪识别模型,解决非静止和杂的EEG信号的局限性.
- 为了提高来自不同会话的EEG数据的情绪识别的准确性和可靠性.
主要方法:
- 建议使用自适应图形学习 (SRAGL) 模型进行半监督回归.
- SRAGL共同估计未标记样本的情感标签,并学习一个适应图表来表示EEG数据中的连接.
- 利用半监督回归来利用标记和未标记的数据来增强情绪识别.
主要成果:
- 在跨会话情绪识别任务中,SRAGL取得了卓越的表现,平均准确率为78.18%,80.55%和81.90%.
- 该模型展示了快速融合和情绪指标的逐步优化,从而产生了可靠的相似性矩阵.
- 通过分析学习回归投影矩阵来识别情绪识别的关键频段和大脑区域.
结论:
- 在交叉会话EEG情绪识别方面,SRAGL提供了显著的进步,超过了最先进的算法.
- 适应式图形学习组件有效地捕捉了EEG数据中的复杂关系,增强了标签估计.
- 该方法提供了对特征重要性的洞察力,使得能够自动识别相关的大脑区域和频段以检测情绪.
