EEGMatch:学习与不完整的标签为半监督的基于EEG的交叉主体情绪识别

科学领域:

• 神经科学和人工智能 人工智能
• 机器学习用于情感计算.

背景情况:

• 电脑电图 (EEG) 提供客观的情绪识别,但由于稀缺的标记数据而面临限制.
• 标签的稀缺性阻碍了基于EEG的情绪识别系统的广泛应用.

研究的目的:

• 提出一个新的半监督转移学习框架,EEGMatch,以克服EEG情感识别中的标签稀缺问题.
• 为了有效地利用标记和未标记的EEG数据,以提高模型培训和性能.

主要方法:

• 基于EEG-Mixup的数据增强,以生成额外的有效样本.
• 一种半监督的两步双向学习方法,集成原型式和实例式学习.
• 半监督的多域调整,使不同域的数据表示对齐,减轻分布不匹配.

主要成果:

• 与最先进的方法相比,EEGMatch在三个基准EEG数据库 (SEED,SEED-IV,SEED-V) 中表现优越.
• 在各种不完整的标签条件下观察到显著的改进,突显了框架的稳定性.
• 在SEED上获得了5.89%的改进,在SEED-IV上获得了0.93%的改进,在SEED-V数据集上获得了0.28%的改进.

结论:

• 拟议的EEGMatch框架有效地解决了基于EEG的情绪识别中的标签稀缺性挑战.
• 数据增强,对联学习和域调整的整合证明了利用未标记数据的有效性.
• EEGMatch为开发更实用和广泛应用的EEG情绪识别系统提供了一个有前途的解决方案.