一个多教师蒸框架与数据隐私用于EEG情绪识别
Jiaqi Yang1, Tianhao Gu1, Chong Lin1
1School of Automation, Qingdao University, 266073 Qingdao, Shandong, China.
Journal of integrative neuroscience
|December 6, 2025
概括
这项研究引入了对脑电图 (EEG) 情感识别的隐私保护框架,改善了跨领域的知识传输和特征提取,以提高性能.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 数据 隐私 数据 隐私 数据
背景情况:
- 独立于对象的脑电图 (EEG) 情绪识别面临着有限数据,差异性跨域传输和低于最佳特征提取的挑战.
- 现有的方法难以平衡性能提升与数据隐私问题.
研究的目的:
- 开发一个创新的框架,用于独立于主体的EEG情绪识别,以提高性能,同时保持数据隐私.
- 解决数据可用性,跨领域知识转移和特征提取方面的局限性.
主要方法:
- 提出了一个具有数据隐私的多教师知识蒸框架,利用无需共享数据的顺序训练子网络.
- 一个多教师的知识蒸策略与知识过器和适应性损失增强跨领域的转移.
- 引入了一个时空门模块,用于高效的特征提取和通道选择.
主要成果:
- 与最先进的方法相比,拟议的方法在DEAP数据集上实现了2%的性能改进.
- 实验结果证明了保护隐私的多教师蒸框架的有效性.
结论:
- 开发的框架成功地解决了EEG情绪识别的关键挑战,包括数据稀缺性和隐私.
- 这种方法显示了可扩展和保护隐私的情绪识别应用程序的巨大潜力.
