基于EEG的情绪识别局部域概括与低级约束

科学领域:

• 情感计算是一种情感计算.
• 机器学习用于神经科学
• 生物医学信号处理

背景情况:

• 使用脑电图 (EEG) 的情绪识别受到显著个体变异性的挑战.
• 现有的域调整 (DA) 和域泛化 (DG) 方法主要对齐全球数据分布,忽视更细微的子域相关性.
• 这种监督限制了GD/DA对多式联络EEG数据集技术的有效性.

研究的目的:

• 提出一种新的DG方法,Local Domain Generalization with low-rank constraint (LDG),以增强基于EEG的情感识别. 为了提升基于EEG的情感识别,我们提出了一个新的DG方法,Local Domain Generalization with low-rank constraint (LDG),以提高基于EEG的情感识别.
• 通过结合细粒度子域信息来解决全球分布对齐的局限性.
• 改善主题不变分类器在相关子域的协作学习.

主要方法:

• 拟议的LDG方法将源EEG域划分为局部域,每个域包含正和负样本.
• 多个主体不变分类器通过统一的框架共同学习,最大限度地减少局部回归损失与低级规范化.
• 在推断过程中,根据其相关性,根据适应性选择了局部分类器.

主要成果:

• 对DEAP和SEED数据集的广泛实验证明了LDG的优越性.
• 该方法在跨主题和跨数据集评估协议下优于几种最先进的 DG/DA 技术.
• LDG有效地利用子域相关性来改善EEG情绪识别.

结论:

• 拟议的LDG方法通过有效处理个体多样性,在基于EEG的情绪识别方面取得了重大进展.
• 专注于本地子域对齐和协作分类器学习可以提高概括性能.
• 在现实世界应用中,LDG为强大的情感识别提供了一个有前途的方法.