MS-FRAN:一种新的多源域适应方法,用于基于EEG的情感识别.

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 基于脑电图 (EEG) 的情绪识别是一个日益增长的研究领域.
• 由于EEG信号在受试者之间分布的巨大差异,存在重大挑战.
• 现有的方法很难在不同的人群中有效地泛化.

研究的目的:

• 提出一种新的方法,多源特征表示和对齐网络 (MS-FRAN),以克服EEG情感识别中的跨主体变异性.
• 为了提高源域和目标域之间的EEG信号分布的对齐.
• 减少多个源域之间的分布差异,以提高模型的稳定性.

主要方法:

• 开发了多源特征表示和对齐网络 (MS-FRAN).
• 整合了三个关键模块:用于特征学习的Wide Feature Extractor (WFE),用于培训的随机匹配操作 (RMO) 和用于分类的Top-h排名域分类器选择 (TOP).
• 专注于调整源域和目标域之间的分布,并减少多源域差异.

主要成果:

• MS-FRAN在对配源和目标域之间调整分布方面表现出有效性.
• 该方法成功地减少了多个源域之间的分布差异.
• 在SEED和DEAP数据集上的实验结果显示,与现有的跨主体EEG情绪识别方法相比,性能优越.

结论:

• 拟议的MS-FRAN方法在基于EEG的交叉主题情绪识别方面取得了重大进展.
• 有效的领域对齐和减少学科间的变化是关键贡献.
• 这种方法显示了对现实世界应用的巨大潜力,这些应用需要从EEG信号中进行强大的情绪检测.