混合转移学习策略用于跨主体EEG情绪识别
Wei Lu1,2, Haiyan Liu3, Hua Ma1
1Henan High-speed Railway Operation and Maintenance Engineering Research Center, Zhengzhou Railway Vocational and Technical College, Zhengzhou, China.
Frontiers in human neuroscience
|November 30, 2023
概括
这项研究引入了一种新的混合转移学习策略,用于更准确的跨主体情绪识别,使用脑电图 (EEG) 信号. 通过解决个人之间的差异,DFF-Net模型显著提高了业绩.
科学领域:
- 情感计算是一种情感计算.
- 机器学习是机器学习.
- 神经科学是一个神经科学.
背景情况:
- 情绪识别对于各种应用至关重要.
- 使用EEG信号的深度学习显示了情绪识别的前景.
- 交叉主体情绪识别面临由于个体差异的挑战.
研究的目的:
- 开发一种用于跨主体EEG情绪识别的有效方法.
- 为了解决因EEG数据的个体间差异造成的绩效下降.
主要方法:
- 提出了一种混合转移学习策略.
- 设计了域名适应,使用了短拍精细调节网络 (DFF-Net).
- 介绍了Emo-DA模块用于域自适应学习和预训练.
主要成果:
- 在SEED数据集上,DFF-Net实现了93.37%的准确性.
- 在SEED-IV数据集上,DFF-Net实现了82.32%的准确性.
- 拟议的方法超越了跨主体EEG情绪识别的最新技术.
结论:
- DFF-Net有效地提高了跨主体EEG情绪识别的准确性.
- 混合转移学习方法成功地减轻了个人之间的差异.
- 这项工作在情感计算研究中取得了重大进展.
