MLDA:多损失域适配器用于基于EEG的跨会话和跨情绪个体识别

科学领域:

• 生物识别信息 生物识别信息
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 传统的生物识别方法,如面部和指纹识别,可能会给隐私带来风险.
• 电脑电图 (EEG) 提供了独特和私人个体识别,推动研究.
• 现有的EEG识别方法由于领域差异而在会话和情绪之间存在变化.

研究的目的:

• 开发一种基于EEG的强有力的个人识别新方法,克服域位的转移.
• 为了应对跨会话和跨情绪EEG识别的挑战.
• 在应用于新数据领域时,提高EEG识别模型的性能.

主要方法:

• 提出了一个多损失域适配器 (MLDA),集成特征提取器,标签预测器,边际分布适应 (使用MMD) 和关联域适应.
• 深度神经网络被用来从EEG数据中提取特征.
• 使用技术来减少域间边际和条件分布差异.

主要成果:

• MLDA方法在基于交叉会话和交叉情绪EEG的个人识别方面表现出卓越的表现.
• 拟议的方法有效地减轻了时间和情绪变化的影响识别准确性.
• 实验结果证实,与现有的最先进技术相比,该方法的性能优越.

结论:

• 在各种现实场景中,MLDA方法为基于EEG的可靠个人识别提供了一个有希望的解决方案.
• 域调整技术对于提高EEG识别模型的通用性至关重要.
• 这项工作促进了生物识别领域的发展,使EEG识别系统更安全,更具适应性.