SSTM-IS:基于实例选择的简化STM方法,用于实时EEG情绪识别
Shuang Ran1, Wei Zhong2, Danting Duan1
1Key Laboratory of Media Audio & Video, Ministry of Education, Communication University of China, Beijing, China.
Frontiers in human neuroscience
|June 16, 2023
概括
这项研究引入了一种用于转移学习的新型实例选择策略,以实现使用脑电图 (EEG) 信号的实时情绪识别. 开发的算法在很短的计算时间内实现了高精度,促进了实际应用.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 脑电图 (EEG) 信号提供了对大脑活动的非侵入性监测,这对于大脑与计算机接口 (BCI) 至关重要.
- 通过EEG识别客观情绪是一个关键的研究领域,但现有的系统经常在线处理数据,限制实时应用.
- 人类情绪的动态性质需要情感BCI中的实时处理能力.
研究的目的:
- 解决在情感BCI中离线处理的局限性.
- 开发一种使用EEG信号进行实时情绪识别的新算法.
- 为了提高情绪识别模型的速度和准确性,为新受试者提供情绪识别模型.
主要方法:
- 在转移学习中引入实例选择策略.
- 关于简化风格转移映射算法的建议.
- 从源域数据中选择信息实例,并简化超参数更新策略,以实现更快,更准确的模型训练.
主要成果:
- 在SEED (86.78%),SEED-IV (82.55%) 和定制离线数据集 (77.68%) 上实现了高识别精度.
- 演示了快速计算时间:SEED的7s,SEED-IV的4s和离线数据集的10s.
- 成功开发和整合一个实时情绪识别系统,包括EEG获取,处理,识别和可视化.
结论:
- 拟议的算法在最短的时间内准确地识别情绪,满足实时应用程序的要求.
- 实例选择和简化的风格转移映射提高了模型效率和新主体的有效性.
- 实验结果验证了该算法的实用实时情绪识别能力,使用EEG.
