从EEG使用转移学习来检测情绪

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:

• 基于脑电图 (EEG) 的情绪检测由于数据有限而面临挑战.
• 转移学习为复杂的机器学习任务中的数据稀缺提供了潜在的解决方案.

研究的目的:

• 开发一种有效的基于EEG的情绪检测系统,使用转移学习和新的功能组合.
• 在主体依赖和主体独立的场景中评估拟议方法的性能.

主要方法:

• 利用Resnet50作为转移学习的基本模型.
• 在图像矩阵中使用平均相连贯度 (MPC) 和大小平方连贯度 (MSC) 开发了一种新的特征表示.
• 嵌入式微分 (DE) 功能进入图像矩阵的对角线.
• 在SEED EEG数据集 (3类) 上使用10倍交叉验证以获得主体依赖的准确性和离开一个主体 (LOSO) 以获得主体依赖的准确性.

主要成果:

• 在依赖主体的情绪分类中获得了93.1%的准确性.
• 在主体独立情绪分类中获得了71.6%的准确性.
• 这两种准确性都明显超过了三类分类的机会水平.

结论:

• 结合MPC和MSC特征,显示出基于EEG的情绪分类具有显著前景.
• 转移学习方法有效地解决了EEG情绪检测中的数据限制.
• 未来的工作可能会探索数据增强,增强分类器和改进的功能工程.