SIFIAE:一种自适应式情绪识别模型与EEG特征标签不一致性考虑

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 情感计算是一种情感计算.

背景情况:

• 情感重叠,过去的情绪影响当前状态,是基于电脑电图 (EEG) 的情感识别中的一个挑战.
• 实验中的短休息间隔会导致神经反应持续,导致EEG数据中的特征标签不一致.
• 这种不一致,称为情感重叠,妨碍了从EEG信号中准确识别情绪.

研究的目的:

• 为了解决EEG情绪识别中情感重叠的研究不足的问题.
• 开发一种可以自适应地探索和减轻样本不一致性影响的新型模型.
• 通过考虑样本不一致性和特征重要性来提高情绪识别系统的性能.

主要方法:

• 引入一个变量以适应地探索EEG数据中的样本不一致性.
• 关于一个名为SIFIAE (Semi-supervised learning for joint sample Inconsistency and Feature importance exploration for Affective Emotion recognition) 的半监督模型的建议. 这是一个名为SIFIAE的半监督模型,用于联合样本不一致性和特征重要性探索以识别情感情感.
• 为SIFIAE模型量身定制的高效优化方法的开发.

主要成果:

• 在SEED-V数据集上,SIFIAE模型证明了它的有效性.
• 在六个交叉会话情绪识别任务中实现了从67.01%到73.26%的平均准确率.
• 观察到的样本重量在试验开始时增加,支持情感重叠假设.

结论:

• SIFIAE模型成功地解释了由情感重叠引起的特征标签不一致性.
• 通过特征重要性分析确定了关键的EEG频段和通道,优于忽视不一致性的模型.
• 这些发现强调了解决情感重叠对于基于EEG的强大情感识别的重要性.