双边图形对抗网络用于主体独立的情感识别

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 情绪对于社会互动至关重要,但情绪障碍阻碍了表达.
• 电脑电图 (EEG) 信号为人工智能 (AI) 驱动的情绪识别提供了一条途径.
• 脑电图信号的个体变异性对可概括的情绪识别模型构成重大挑战.

研究的目的:

• 开发一个先进的AI模型,从EEG信号中进行强大的情绪识别.
• 为了应对基于EEG的情绪检测中跨主体变异性的挑战.
• 改进各种各样的个人情绪识别系统的概括能力.

主要方法:

• 在域对抗神经网络 (DANN) 架构中整合双边 (BP) 图形.
• 在EEG信号中最大限度地减少域差,使用具有层特定组件的DANN.
• 在五个基准EEG情绪识别数据集 (SEED,SEED-IV,SEED-V,SEED-FRA,SEED-GER) 上进行了评估,共有62名参与者.

主要成果:

• 获得的高精度: 82.1% (SEED-V),77.3% (SEED-IV),85.8% (SEED),90.7% (SEED-FRA) 和87.6% (SEED-GER). 获得的高精度: 82.1% (SEED-V),77.3% (SEED-IV),85.8% (SEED),90.7% (SEED-FRA) 和87.6% (SEED-GER). 获得的高精度: 82.1% (SEED-V),77.3% (SEED-IV),85.8% (SEED),90.7% (SEED-FRA),以及87.6% (SEED-GER). 获得的高精度: 82.1% (SEED-V),77.3% (SEED-IV),85.8% (SEED),90.7% (SEED-FRA),以及87.6% (SEED-GER). 获得的高精度:
• 性能与现有最先进的方法相当或优于现有最先进的方法.
• 确定了额头,部和部EEG通道对于从视听刺激中检测情绪至关重要.

结论:

• 拟议的BP-DANN模型有效地减少了用于情绪识别的EEG信号的跨主体变异性.
• 该模型在多个数据集中展示了强大的泛化性能.
• 特定的EEG通道位置因其在识别情绪方面的重要性而被突出.