基于EEG的强大的情绪识别,使用初始和双面扰乱模型

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 使用脑电图 (EEG) 信号的自动情绪识别对于脑电脑接口至关重要.
• 基于EEG的情绪识别深度学习模型易受环境噪音和对抗攻击的影响.
• 提高对输入扰动的模型弹性对于可靠的情绪识别至关重要.

研究的目的:

• 提出和验证Inception特征生成器和双面扰动 (INC-TSP) 方法,以实现基于EEG的强大的情绪识别.
• 提高深度学习模型在对抗攻击和输入不确定性方面的弹性.
• 为了应对在杂或被操纵的EEG数据中保持精确情绪识别的挑战.

主要方法:

• 开发了一种INC-TSP方法,集成了用于EEG特征提取的Inception模块.
• 实施双边扰动 (TSP) 来引入模型权重和输入的最坏情况扰动.
• 在一个独立于主体的三类情绪识别任务中验证了这种方法.

主要成果:

• INC-TSP方法在独立于主体的情绪识别方面表现强.
• 拟议的方法增强了模型的弹性,可以抵御对抗性攻击和输入干扰.
• 尽管输入不确定性,但仍然保持了准确的情绪识别.

结论:

• INC-TSP方法为增强基于EEG的情绪识别系统的稳定性提供了一个有希望的解决方案.
• 这种方法有效地减轻了噪音和对抗性攻击对深度学习模型的影响.
• 这些发现支持开发更可靠,更安全的脑电脑接口.