在使用异质对抗转移学习的多式情绪识别中改进了BCI校准

科学领域:

• 神经科学和人工智能 人工智能
• 大脑与计算机接口 (BCI) 技术
• 情感计算是一种情感计算.

背景情况:

• 大脑计算机接口 (BCI) 技术对于情感识别至关重要,特别是在虚拟现实 (VR) 中.
• 精确情绪识别模型的广泛校准对敏感人群构成了挑战.
• 目前的方法需要大量的时间和精力来培训和适应模型.

研究的目的:

• 开发一种使用异质对抗转移学习 (HATL) 合成脑电图 (EEG) 数据的新方法.
• 为了减少BCI应用中情绪识别模型所需的大量校准时间.
• 在HATL框架内评估不同生成对抗网络 (GAN) 架构的有效性.

主要方法:

• 利用异质对抗转移学习 (HATL) 来合成来自其他信号模式的EEG数据.
• 基准测试了三个GAN架构:条件GAN (CGAN),条件Wasserstein GAN (CWGAN) 和CWGAN带梯度处罚 (CWGAN-GP).
• 在SEED-V,DEAP和新收集的沉浸式3D数据集GraffitiVR.上测试了框架.

主要成果:

• 使用CWGAN-GP生成的EEG数据和非EEG感觉数据训练的分类器实现了高准确度:93% (SEED-V),99% (DEAP) 和97% (GraffitiVR).
• 与使用真实EEG数据相比,拟议的方法在GraffitiVR数据集中减少了高达30%的校准时间.
• 在传统和沉浸式VR数据集中展示了强度和多功能性.

结论:

• 该HATL框架有效地合成EEG数据,显著减少BCI情感识别的校准时间.
• CWGAN-GP在生成高质量的合成EEG数据以实现强大的情绪识别方面被证明是有效的.
• 该方法为增强BCI应用提供了一个有希望的解决方案,特别是在VR环境和敏感用户群体中.