基于注意力的转移增强网络用于跨体EEG情绪识别.

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:

• 基于EEG的情绪识别由于域移位而面临着差的跨数据集概括性.
• 传统方法在过度拟合或弥合大数据集不一致方面扎.
• 开发可靠的跨体EEG情绪识别模型对于实际应用至关重要.

研究的目的:

• 提出一个新的框架,跨体注意力转移增强网络 (CATE),以解决EEG情感识别中的泛化挑战.
• 开发一个两阶段的框架,采用双视图自主监督的预培训策略,用于学习域不变表示.
• 显著提高跨体EEG情绪识别的准确性和稳定性.

主要方法:

• 引入了一个两阶段的框架:CATE.
• 采用双视图自我监督的预培训策略:噪音增强表示建模 (NERM) 和波形转换表示建模 (WTRM).
• 在监督微调阶段利用基于注意力的机制进行分类.

主要成果:

• 在SEED,SEED-IV和SEED-V数据集中的6个转移任务中,CATE实现了最先进的性能.
• 报告的准确度在68.01%至81.65%之间.
• 以高达15.65个百分点优于先前的方法,证明了优越的概括能力.

结论:

• 拟议的CATE框架有效地从不同的协同观点中学习可转移的特征.
• 凯特显著推进了跨体EEG情绪识别的实际应用.
• 双视图预训练策略增强了模型对域移动的弹性,并提高了识别准确性.