基于脑电图的领域通用深度学习,以改进主体独立的情绪识别,基于脑电图

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 电脑电图 (EEG) 提供非侵入性,高时间分辨率的应用程序,如情绪识别.
• 脑电图数据的受体变异性对开发可概括的情绪识别模型构成了重大挑战.
• 现有的深度学习模型与主体间和交叉变化作斗争,限制了它们在现实世界中的适用性.

研究的目的:

• 系统地评估主体独立的基于EEG的情感识别的域泛化 (DG) 技术.
• 为了研究将四个GD方法 (Deep CORAL,GroupDRO,VREx,DANN) 与三个深度学习架构 (ShallowFBCSPNet,EEGNet,TSception) 结合在一起的有效性.
• 在两个不同的情绪EEG数据集上评估这些综合模型的性能.

主要方法:

• 通过将4种DG技术与3种深度学习架构相结合,创建了12种不同的模型.
• 每个受试者的数据都被视为一个单独的域,以模拟现实世界的变化.
• 对价值和兴奋状态的二元分类任务使用十倍交叉验证策略进行.

主要成果:

• 域泛化方法在两个数据集中始终提高了分类准确性.
• 与VREx相结合的TSception架构在一个数据集中实现了对价值和兴奋的最高性能.
• 在第二个数据集中,TSception与VREx在价值分类中领先,而TSception与GroupDRO在兴奋分类中表现出色.

结论:

• 域泛化方法有效地减轻了因EEG数据中的跨主体和交集变异性引起的分布变化.
• 将DG技术与深度学习架构集成在开发强大的,独立于主体的基于EEG的情感识别系统方面具有显著的前景.
• 像VREx和GroupDRO这样的特定DG方法,特别是TSception架构,在提高情绪识别准确度方面表现出卓越的性能.