多个尺度的蒙面自动编码器用于跨会话情绪识别

科学领域:

• 神经科学和人工智能 人工智能
• 大脑与计算机接口 (BCI)
• 机器学习用于情感计算.

背景情况:

• 情感大脑计算机接口 (aBCI) 利用脑电图 (EEG) 进行情感识别.
• 挑战包括耗时的数据注释,个体差异,非静止性和EEG中的噪音.
• 开发特定的主题,跨会话情绪识别模型仍然是困难的.

研究的目的:

• 提出一个统一的预培训框架,即多尺度蒙面自动编码器 (MSMAE),以应对基于EEG的情绪识别方面的挑战.
• 从大规模未标记的EEG数据中提取噪声强度,主体不变和时间不变的特征.
• 通过微调以最小的标记数据来实现对象特定的交叉会话情绪识别.

主要方法:

• 使用多尺度掩盖自动编码器 (MSMAE) 框架进行大规模未标记EEG信号的预训练.
• 实现多尺度表示,以捕捉不同的EEG信号方面.
• 采用了用于道级表示的改进的掩盖机制,以及用于空间级表示的不变性学习,以最大限度地减少差异.

主要成果:

• 该MSMAE框架成功地提取了耐噪声,主体不变和时间不变的特征.
• 从不同的EEG会议中解码情绪状态的显著能力.
• 与SEED和SEED-IV数据集的基线方法相比,实现了稳定和优异的性能.

结论:

• 拟议的MSMAE框架有效地克服了对特定主题跨会话情绪识别的关键挑战.
• MSMAE提供了一种强大而高效的方法,用于从EEG数据中提取特征.
• 这种方法显著推进了实用的情感大脑-计算机接口的发展.