基于EEG的情绪价值和情绪调节分类:以数据为中心和可解释的方法

科学领域:

• 人工智能的人工智能
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 使用脑电图 (EEG) 数据进行情绪分类具有重大挑战.
• 现有的研究往往优先考虑模型选择而不是数据集的方法优化.
• 脑电图数据集中的标签噪声可以阻碍准确的情绪识别.

研究的目的:

• 通过使用EEG数据调查不同方法方法对情绪分类性能的影响.
• 探索课程学习和自信学习在处理杂的EEG数据集中的有效性.
• 使用集成梯度技术评估机器学习模型的可解释性.

主要方法:

• 应用课程学习和自信的学习策略,以解决EEG数据集中的标签噪声.
• 利用多标签分类方法来识别情绪价值和情绪调节策略.
• 采用集成梯度技术进行模型可解释性分析.
• 基于不同级别的标签噪声,在数据集中比较模型性能.

主要成果:

• 课程学习和自信学习表明,根据数据集和模型架构,对情绪分类准确性的影响不同.
• 模型架构的选择影响了特征重要性模式,揭示了明显的优势和局限性.
• 可解释性分析提供了关于不同方法如何影响模型解释性的见解.

结论:

• 方法选择,特别是那些解决标签噪音的方法,如课程和自信学习,对于优化基于EEG的情绪分类至关重要.
• 模型架构显著影响情绪识别系统的性能和可解释性.
• 需要进一步的研究来完善这些方法,以便在情感计算中实现强大的和可解释的AI.