通过多源多重度量转移学习增强跨主体EEG情绪识别

科学领域:

• 情感计算是一种情感计算.
• 大脑与计算机的接口.
• 机器学习 机器学习

背景情况:

• 转移学习 (TL) 是有效的跨主题领域适应在情感大脑-计算机接口 (aBCI).
• 传统的TL方法使用静止距离,如欧几里德距离,可能会通过忽视样本关系导致次优特征映射.
• 现有的方法在各个领域之间存在显著的分布差异,这会影响性能.

研究的目的:

• 引入一个新的算法,多源多重度量转移学习 (MSMMTL),以增强aBCI的传统TL.
• 改进特征映射并减轻源域和目标域之间的数据漂移.
• 为了减少分布差异和增强电脑电图 (EEG) 情绪识别.

主要方法:

• 选择使用Mahalanobis距离来提高质量的源域.
• 采用多元特征映射来将源域和目标域映射到Grassmann多元.
• 优化了Mahalanobis在共享空间中的度量,最大限度地提高了类间的距离,最大限度地减少了类内距离.
• 根据Mahalanobis度量来实施约束,以确保域之间类似的分布.

主要成果:

• 在SEED数据集中,MSMMTL的平均分类准确率为88.83%,在DEAP数据集中达到65.04%.
• 与其他最先进的方法相比,在跨主题实验中表现出优越的性能.
• 在基于EEG的情感计算中有效地解决了个体差异.

结论:

• 通过解决域适应挑战,MSMMTL显著提高了aBCI的TL有效性.
• 提出的方法有效地减少了分布差异,并改善了EEG情绪识别.
• 在基于EEG的情感计算中,MSMMTL为个人变化提供了强大的解决方案.