基于个性化的脑电图基于情绪分类模型的模型基础转移学习的验证
概括
本研究介绍了一种基于模型的转移学习 (TL) 方法,以改进基于脑电图 (EEG) 的情感大脑计算机接口 (aBCI). 该方法使用更少的数据来增强个性化情绪识别,使aBCI更可靠地用于现实世界的应用.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 人与计算机的交互
背景情况:
- 使用脑电图 (EEG) 信号的情感大脑计算机接口 (aBCI) 正在获得吸引力.
- 情绪EEG数据的变化挑战了预训练机器学习模型的稳定性.
- 有限的个人数据阻碍了有效的个性化情感模型的开发.
研究的目的:
- 为个性化情感建模提出和验证基于模型的转移学习 (TL) 方法.
- 使用减少的情感注释数据构建个性化的aBCI模型.
- 为解决对EEG信号内在变化的挑战,用于现实生活中的aBCI应用.
主要方法:
- 使用了10名受试者的长度八天数据集.
- 开发并测试了一种基于模型的转移学习 (TL) 方法.
- 每天进行可靠性测试以评估模型性能.
主要成果:
- 拟议的TL方法与主体依赖模型相比,显示出更高的性能.
- 使用TL方法在二元价值分类中实现了大约6%的改进.
- 从其他科目中回收一组紧的八个可转移模型,增强了个性化.
结论:
- 基于模型的TL方法有效地克服了EEG信号内在变化的局限性.
- 这种方法可以使用最少的数据来构建个性化的情感模型.
- 这些发现支持TL在现实的aBCI系统中的实际应用.
