偷偷的情绪:数据分区在情感计算实验中对脑-计算机接口的影响

科学领域:

• 神经科学和机器学习
• 计算神经科学是一种神经科学.
• 情感计算是一种情感计算.

背景情况:

• 大脑计算机接口 (BCI) 显示出使用机器学习 (ML) 的情感识别潜力.
• 在培训/测试分区中的数据分区对BCI研究结果的影响往往被忽视.
• 这种监督使得将结果归因于模型改进而不是数据分割器件的复杂化.

研究的目的:

• 引入和利用"数据传输速率"概念来分析BCI中的数据分区效应.
• 为了研究不同的数据分割策略如何影响使用EEG信号的情绪识别性能.
• 为管理和报告BCI研究中的大脑数据分区提供指导方针.

主要方法:

• 引入了"数据传输速率"结构,量化了培训和测试数据之间的重叠.
• 在三个数据分区条件下,从视频中的脑电图 (EEG) 信号中检查了情绪识别:主体独立,视频独立和基于时间的分割.
• 在不同的分区策略中评估了分类准确度的变化.

主要成果:

• 基于数据分区方法,模型性能差异很大 (50% - 90%准确度).
• 独立于受试者 (情感解码) 的表现保持在接近基线的水平,除非受试者的数据被纳入培训.
• 视频独立 (情感注释) 的表现在训练和测试数据共享同一主题时得到改善,即使有不同的视频.
• 后来的EEG信号段更具歧视性,但数据点的数量是最关键的因素.

结论:

• 数据分区是影响BCI在情绪识别任务中的表现的关键因素.
• 特定的分区策略更适合不同的BCI应用程序 (例如,情感解码与注释).
• 对数据分区方法的标准化报告对于可重复性和BCI研究结果的准确解释至关重要.