基于子域调整和EEG情感识别的最小类混的多源域转移网络

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 机器学习 机器学习

背景情况:

• 电脑电图 (EEG) 信号对于在情绪识别研究中客观地反映大脑状态至关重要.
• 脑电图数据的跨会话和跨主体变异性对实际的情绪识别系统构成重大挑战.

研究的目的:

• 提出一种新的多源域传输方法,MS-SAMCC,以克服情绪识别中的EEG可变性问题.
• 增强基于EEG的情绪识别模型的稳定性和通用性.

主要方法:

• 实施了一种混合数据增强技术,用于生成合成EEG样本.
• 开发了一个最小类混子域调整 (MCCSA) 方法,用于源域和目标域之间的全局和子域对齐.
• 在子域适应模块中使用最小类混 (MCC) 作为调节器.

主要成果:

• 获得了高的跨学科准确率: 87.14% (SEED),63.24% (SEED IV) 和42.07% (FACED).
• 获得了强大的跨会话准确度:94.20% (SEED) 和71.66% (SEED IV).
• 在各种EEG情绪识别任务中证明了MS-SAMCC方法的有效性.

结论:

• 拟议的MS-SAMCC方法有效地减轻了EEG信号的跨会话和跨主体变化.
• 这种方法显著提高了情绪识别系统的性能,为实际应用铺平了道路.
• 这项研究强调了域适应技术在推进大脑与计算机接口方面的潜力.