对基于EEG的情绪识别进行域自适应深度可能性集群

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 使用脑电图 (EEG) 数据的情绪识别面临挑战,原因是神经信号的变化和有限的标记数据.
• 传统的域适应 (DA) 方法难以推广,特别是当噪音引发域转移时,通常会被最大平均差异 (MMD) 等技术加剧.

研究的目的:

• 引入一个新的框架,域自适应深度可能性集群 (DADPc),用于基于EEG的强大的情绪识别.
• 解决现有的DA方法的局限性,特别是它们对噪声引起的域移动和不良概括性的敏感性.

主要方法:

• 开发了DADPc,将深度域不变特征学习与可能集群集成在一起.
• 改制的MMD作为一个模糊的调节的一个中心集群任务.
• 整合了自适应加权损失和内存银行策略,以提高伪标签可靠性和跨域对齐.

主要成果:

• DADPc有效地减轻噪声引起的域移动,同时保持特征可区分性.
• 在SEED,SEED-IV和DEAP数据集上的实验表明,在情绪识别方面表现优越.
• 在跨主题和跨会话场景中,在准确性和概括性方面观察到显著的改进.

结论:

• DADPc为基于EEG的实际情绪识别提供了一个强大的解决方案.
• 该框架通过将深度学习与可能集群相结合,推进跨领域的EEG分析.
• 这项研究增强了EEG信号对一般化情绪识别的最新技术.