MSLTE:多个自我监督的学习任务,以提高EEG情绪识别能力
Guangqiang Li1, Ning Chen1, Yixiang Niu1
1School of Information Science and Engineering, East China University of Science and Technology, Shanghai 200237, People's Republic of China.
Journal of neural engineering
|April 8, 2024
概括
这项研究引入了自我监督的学习任务,以改善电脑电图 (EEG) 情感识别,增强模型概括性和减少过度拟合,以获得更可靠的情感分类.
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:
- 脑电图 (EEG) 采集设备可能不稳定,导致频道或频段的信息丢失.
- 现有的EEG情感识别模型往往忽略了这种不稳定性,导致过度拟合和糟糕的概括.
- 这需要强大的模型,能够处理杂或不完整的EEG数据.
研究的目的:
- 为了提高概括性,并减少EEG情绪识别模型中的过度拟合.
- 为了解决因设备不稳定而导致的EEG数据中的信息丢失.
- 开发一种新型模型,包括自我监督学习,以改进EEG分析.
主要方法:
- 引入了频道掩蔽和频率掩蔽,以模拟EEG信息丢失.
- 开发了两项自主监督学习任务,使用掩盖图形自动编码器 (GAE) 来进行特征重建.
- 实现了图形解码器之间的重量共享 (WS) 机制,以实现可靠的特征重建.
- 采用了自适应式多任务减重 (AWML) 策略,结合了监督和自我监督的减重.
主要成果:
- 拟议的模型在SEED,SEED-V和DEAP数据集中实现了更高的平均情绪分类准确性.
- 模型中的每个模块都为性能提升做出了重大贡献.
- 与最先进的模型相比,证明了提高训练效率,减少模型大小和更低的计算复杂性.
- 对关键参数变化的敏感性较小.
结论:
- 自主监督的学习任务有效地提高了EEG情感识别模型的概括性,并减轻了过度匹配.
- 拟议的方法为基于EEG的情绪分类提供了一个更强大,更有效的方法.
- 该模型的架构可以适应其他EEG分类任务.
