交互式EEG情绪识别与增量高斯过程
1School of Information Science and Engineering, Shandong Normal University, Jinan, P. R. China.
International journal of neural systems
|May 26, 2025
概括
本研究引入了使用增量高斯过程 (GP) 的交互式脑电图 (EEG) 情感识别模型. 这种新的方法通过结合专家反来提高性能,以管理预测不确定性,优于现有方法.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 人与计算机的交互
背景情况:
- 现有的基于脑电图 (EEG) 的情绪识别模型缺乏互动性,并与预测不确定性作斗争.
- 静态训练模式限制了当前EEG情绪识别系统的适应性和性能优化.
研究的目的:
- 开发一种使用增量高斯过程 (GP) 进行交互式情感识别的新型范式.
- 通过使模型根据用户反进行调整并管理预测不确定性来增强基于EEG的情绪识别.
主要方法:
- 使用高斯过程 (GP) 框架来建模情绪识别,并通过差异量化预测不确定性.
- 实施专家互动机制,以基于高不确定性进行有针对性的样本校正.
- 制定一个增量更新策略,以便在不重新处理所有数据的情况下高效地改进模型.
- 使用稀疏近似和变异推理来管理全科医生的计算复杂性.
主要成果:
- 拟议的交互式GP方法在受试者依赖的和受试者独立的实验中,在最先进的 (SOTA) 方法上表现出显著的优势.
- 在DREAMER数据集 (主体依赖) 上,在Dominance (1.73%) 中取得了最高的改进.
- 在DEAP数据集 (主体独立) 上,在激发 (2.96%) 中实现了最大的性能改善.
结论:
- 这种新型的交互式范式通过整合专家反,有效地增强基于EEG的情绪识别.
- 增量GP方法为处理不确定性和优化模型性能提供了高效和有效的解决方案.
- 这种方法代表了创造更适应性和准确情绪识别系统的重大进步.
