基于域间样本杂交的EEG情绪识别的多源域适应.

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:

• 电脑电图 (EEG) 对于情绪识别至关重要,但受到主体间和会话间变化的影响.
• 现有的域适应 (DA) 方法对齐分布,但可能会混情感标签.
• 这项工作解决了基于EEG的强大情绪识别在不同个体和录制会话中的挑战.

研究的目的:

• 通过增强域调整来改善跨主体和跨会话EEG情绪识别.
• 通过促进条件分布对齐来解决当前DA方法中的标签混问题.
• 开发一个强大的EEG情绪识别模型,可以在各个科目和会议中概括.

主要方法:

• 引入了用于EEG情绪识别的多源域适应共同分支网络.
• 提出了一种新的样本杂交方法,在不增加数据大小的情况下将目标域信息纳入.
• 在SEED和SEED-IV数据集上使用跨主题和跨会话实验验验证模型.

主要成果:

• 在SEED数据集上,在跨主体情绪识别中获得了90.27%的平均准确性.
• 在SEED-IV数据集上达到73.21%的准确性,用于跨主题识别.
• 在SEED和SEED-IV的交叉会议实验中,分别获得了94.16%和75.05%的平均准确率.

结论:

• 提出的方法有效地将与情绪相关的知识从来源转移到目标领域.
• 多源DA和样本杂交的组合增强了EEG情感识别的概括能力.
• 这种方法成功地实现了对未被标记的受试者准确的情绪识别,克服了主体间和会话间的限制.