在基于SSVEP的BCI中,对情感识别的valence-arousal解的表示学习

科学领域:

• 神经科学是一个神经科学.
• 人与计算机的交互
• 机器学习 机器学习

背景情况:

• 基于稳态视觉唤起潜力 (SSVEP) 的脑计算机接口 (BCI) 对康复和残疾援助至关重要.
• 实时情绪识别可以显著改善SSVEP-BCI中的人机交互.
• 目前的方法面临的挑战是普遍化和精确性在情绪检测由于无意隐藏的表示学习.

研究的目的:

• 为SSVEP-BCI引入一种新的Valence-Arousal解的表示学习 (VADL) 方法.
• 在SSVEP-BCI中增强情绪识别的性能和概括性.
• 通过解开价值和兴奋信息来提高检测情绪状态的准确性.

主要方法:

• 开发了一种以二维情感模型为灵感的价值激发解的表示学习 (VADL) 方法.
• 利用结构化状态空间二元模型进行全面的全球情感特征提取.
• 实施了多学科渐变混合培训策略,以定制学习步伐以适应重建和歧视任务.

主要成果:

• VADL有效地解开了价值和兴奋的潜在变量,提高了准确性.
• 结构化状态空间二元模型成功地提取了全球情绪特征.
• 实验结果表明,VADL的性能优于现有的最先进的基准算法.
• 为了验证该方法,创建了一个包含23个受试者的综合数据库.

结论:

• 在SSVEP-BCI中,VADL方法显著提高了情绪识别的准确性和概括性.
• 拟议的多学科渐变混合策略有助于个别学科的自适应性学习.
• 这项研究为BCI应用中更直观和更有效的人机交互提供了有前途的进展.