基于深度特征聚合和多源域调整的EEG情感识别跨主体
Kunqiang Lin1, Ying Li1,2, Yiren He1
1Hebei Key Laboratory of Bioelectromagnetics and Neural Engineering, School of Health Sciences and Biomedical Engineering, Hebei University of Technology, Tianjin, CA 300131 China.
Cognitive neurodynamics
|November 27, 2025
概括
这项研究引入了一种用于脑电图 (EEG) 情绪识别的新框架,通过使用深度特征聚合和多源域调整来提高个人之间的准确性. 该方法增强了客观情绪状态评估的跨主题概括性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 电脑电图 (EEG) 可以客观地反映情绪状态.
- 脑电图数据的跨主体变异性限制了情绪识别模型中的概括性.
- 现有的方法在跨个体情绪分类准确性方面扎.
研究的目的:
- 提出一个新的EEG情绪分类框架,以解决学科间的差异.
- 为了提高基于EEG的情绪识别的概括性能.
- 为了提高对不同个体情绪状态的分类准确度.
主要方法:
- 开发了一个深度特征聚合模块,结合了EEG半球不对称性,频率和时空特征.
- 实施了多源域适应策略,每个域都有单独的子网络,以减轻特征转移.
- 利用动态伪标签和基于信任的目标域样本的选择,以改善决策边界附近的学习.
主要成果:
- 与SEED和SEED-IV数据集的现有方法相比,拟议的框架显示出更高的性能.
- 通过将多个源域与目标域对齐,可以实现有效的跨领域知识传输.
- 半球不对称的整合功能改善了情绪分类的辨别能力.
结论:
- 拟议的深度特征聚合和多源域适应框架显著改善了基于EEG的情感识别概括.
- 该方法有效地减少了域间分布差异,从而实现了强大的跨主体情绪分类.
- 这种方法为使用EEG信号的客观和准确情绪识别提供了有希望的解决方案.
