多源分布深度自适应特征标准网络用于EEG情绪识别

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
• 人工智能的人工智能

背景情况:

• 电脑电图 (EEG) 情绪识别对于推进人机交互至关重要.
• 转移学习中的域自适应方法旨在通过解决域差异来创建可概括的情感识别模型.
• 有效地减少域差异仍然是基于EEG的情绪识别的一个重大挑战.

研究的目的:

• 提出一种新的深度学习网络,即多源分布深度自适应特征规范网络,用于EEG情绪识别.
• 提高任务特定特征的可转移性,以减少领域差异.
• 为了提高EEG情绪识别系统的整体准确性.

主要方法:

• 一个三层网络拓,结合了自适应特征规范,用于层之间进行自我监督的调整.
• 一种多个内核的选择方法,与平均嵌入匹配集成,用于域调整.
• 利用SEED和SEED-IV数据集进行跨主题和跨会议实验.

主要成果:

• 拟议的网络在SEED和SEED-IV数据集上实现了最先进的分类性能.
• 在SEED数据集上实现了85.01%的跨主题准确性和91.93%的跨会话准确性.
• 在SEED-IV数据集上获得了58.81%的跨主题和59.51%的跨会话准确性.

结论:

• 开发的方法有效地减少了EEG数据中的域差异.
• 拟议的网络显著提高了基于EEG的情绪识别的准确性.
• 这种方法对更强大,更易于使用的人与计算机交互系统具有前景.