M3D:基于Manifold的域调整与动态分布,用于跨主题和跨会话的非深度转移学习,基于EEG的情感识别

科学领域:

• 情感计算是一种情感计算.
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 基于脑电图 (EEG) 的情感脑电脑接口 (aBCI) 对情感解码至关重要,但面临来自EEG信号非静止性,个体变异性和需要广泛标记数据的挑战.
• 当前的深度学习方法虽然有效,但需要大量的计算资源和大量的数据集,这限制了它们的实际应用.

研究的目的:

• 引入基于Manifold的域调整与动态分布 (M3D),这是一种新的,轻量级的,非深度转移学习框架,旨在克服现有的aBCI方法的局限性.
• 通过解决数据稀缺性和计算需求,提高aBCI中情感解码的效率和实用性.

主要方法:

• M3D采用了四个模块框架:多重特征转换,动态分布对齐,分类器学习和集体学习.
• 数据被转换为格拉斯曼多元体,以实现源域和目标域的动态对齐,并优先考虑边际和条件分布.
• 通过动态分布对齐来最小化结构风险和代改进确保了强大的分类器开发,集体学习提高了预测准确性.

主要成果:

• 与传统的非深度学习方法相比,M3D在基准EEG情绪识别数据集上表现出更高的性能,平均改善率为6.67%.
• 该框架实现了与深度学习方法相似的性能,但数据和计算要求要低得多.
• 评估包括跨主体单次会议,跨主体跨会议验证,以及对重大抑郁障碍 (MDD) 临床EEG数据集的应用.

结论:

• M3D为基于EEG的情绪解码提供了一个计算效率高,数据轻量级的解决方案.
• 拟议的框架显著提高了情感大脑计算机接口 (aBCI) 的实用性和现实世界的适用性.
• 在使用EEG数据的情感计算和临床应用方面,M3D显示出有前途.