联合域对称性和预测平衡用于交叉数据集EEG情绪识别

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 跨数据集脑电图 (EEG) 情绪识别面临挑战,因为数据集之间的数据分布不同.
• 现有的方法往往忽略了标签空间不一致性和数据集之间的不确定性传播.
• 这些差异导致普遍的EEG情绪识别模型的性能不满意.

研究的目的:

• 提出一种新的方法,域对称和预测平衡 (DSPB),以解决跨数据集EEG情绪识别挑战.
• 通过将源域和目标域之间的情感标签空间对齐来解决标签空间不一致的问题.
• 通过减少错误分类样本的影响来减轻不确定性传播.

主要方法:

• 域对称模块:随机选择源域样本并将其集成到目标域,以协调标签空间.
• 预测平衡模块:最小化错误情绪样本的预测得分,以减少分布差异.
• 实施DSPB,以增强跨数据集EEG情绪识别.

主要成果:

• 在三项跨数据集任务中实现了61.48%的平均准确性.
• 确定了马频段是最适合情绪识别的频段.
• 发现前额和部大脑区域是情绪信息的关键通道.
• 显著优于现有的方法,如SPDA (15.60%的改善) 和MS-MDA (23.11%的改善).

结论:

• DSPB有效地将EEG数据集的数据分布与相同的情感标签保持一致.
• 拟议的方法在交叉数据集EEG情绪识别方面取得了显著的改进.
• 马波段和特定的大脑区域含有准确识别情绪的关键信息.