基于EEG的跨主体情绪识别模型无意识的超级学习
Cheng Chen1, Hao Fang2, Yuxiao Yang2,3,4,5,6
1Department of Electrical and Computer Engineering, University of Utah, Salt Lake City, UT 84112, United States of America.
Journal of neural engineering
|December 2, 2024
概括
这项研究引入了一种新的超学习算法,用于更准确地识别来自不同个体的脑电图 (EEG) 信号的情绪. 这种方法提高了情感计算和脑计算机界面的概括性.
科学领域:
- 情感计算是一种情感计算.
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 从神经信号进行主体间的情绪识别是具有挑战性的,因为大脑活动的个体差异.
- 现有的算法很难在识别不同主题的情绪方面达到高准确度.
研究的目的:
- 利用电脑电图 (EEG) 数据,开发一种高效和可通用的方法来进行主体间的情绪识别.
- 创建一个模型不可知的超级学习算法,以在人口层面上适应情绪解码器.
主要方法:
- 提出了一个模型不可知的超级学习算法,具有预训练和一次性适应步骤.
- 超解码器从各种主题中学习,并高效地适应新主题.
- 算法与各种主流机器学习解码器兼容.
主要成果:
- 在SEED,DEAP和DREAMEREEG数据集上进行评估.
- 适应的元情感解码器实现了最先进的跨主体情感识别准确度.
- 在不同的解码器架构中表现优于经典的监督学习基线.
结论:
- 拟议的元学习算法显著提高了情感识别的学科间概括性.
- 结果显示,增强未来的情感大脑与计算机接口是有前途的.
- 在情绪检测中为异质神经信号特征提供了强大的解决方案.
