SASD-MCL:半监督的对齐自我蒸与混合的对比学习,用于跨主体EEG情绪识别
Yong Zhang1, Wenyun Chen2, Xingxing Cai2
1School of Information Engineering, Huzhou University, Huzhou, 313000, China; School of Computer and Information Technology, Liaoning Normal University, Dalian, 116081, China.
概括
这项研究引入了EEG情感识别的新型半监督模型,有效地解决了有限的标记数据. 该方法提高了跨主体情绪识别的准确性,提高了对基准数据集的性能.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 情感计算是一种情感计算.
背景情况:
- 电脑电图 (EEG) 对于客观的情绪识别至关重要,但由于标记数据不足而受到阻碍.
- 跨主体EEG情绪识别面临着由于数据变化和稀缺性而面临的挑战.
- 开发强大的EEG情绪识别系统需要克服数据限制.
研究的目的:
- 提出一个半监督的对齐自我知识蒸与混合对比学习模型 (SASD-MCL).
- 为了应对跨主体EEG情绪识别中有限的标记数据的挑战.
- 为了提高基于EEG的情绪识别系统的概括性和稳定性.
主要方法:
- 利用混合对比数据增强来增加数据多样性.
- 采用半监督的相似性调整来整合标记和未标记的数据.
- 应用无监督的自我知识蒸,以适应领域.
- 实施了半监督的多域调整,以处理数据分布差异.
主要成果:
- 在不完美的标记条件下,SASD-MCL模型在跨主体EEG情绪识别方面表现出卓越的性能.
- 在SEED数据集上实现了5.93%的平均绩效增长,在SEED-IV数据集上达到5.32%.
- 有效地解决了EEG情绪识别中的标签稀缺问题.
结论:
- 拟议的SASD-MCL模型显著提高了跨主体EEG情绪识别准确度.
- 该模型的半监督和多域适应策略有效地克服了数据限制.
- 这种方法为基于EEG的情绪识别的现实应用提供了一个有希望的解决方案.
