传统的机器学习优于消费者级EEG情感识别的EEGNet:综合评估与交叉数据集验证
Carlos Rodrigo Paredes Ocaranza1, Bensheng Yun1, Enrique Daniel Paredes Ocaranza1
1School of Artificial Intelligence and Information Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, China.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
具有特征工程的传统机器学习 (ML) 显著超过了复杂的深度学习模型,如消费者级情绪识别的EEGNet. 这种方法在杂的现实世界脑电脑接口应用中提供了卓越的准确性,稳定性和效率.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 消费级EEG设备为广泛部署大脑计算机接口 (BCI) 提供了潜力.
- 挑战包括空间分辨率降低,在不受控制的环境中可变的信号质量,以及对深度学习有效性和概括性的有限探索.
研究的目的:
- 系统地比较传统的机器学习 (ML) 与特定领域的功能工程,与使用消费者级EEG的EEGNet深度学习架构进行情感识别.
- 为了确定何时以及为什么特征工程在资源有限的场景中优于端到端学习.
主要方法:
- 在使用DREAMER数据集和交叉数据集验证 (DREAMER→SEED-VII) 的数据集内评估.
- 传统的ML使用了随机森林分类的统计,频域和连接特征.
- 深度学习采用优化的EEGNet架构;交叉数据集验证使用渐进的域调整 (解剖绘图,CORAL,TCA).
主要成果:
- 传统的ML在数据集内取得了优异的性能 (F1=0.945比0.567,p<0.000001) 和跨数据集的性能 (F1=0.619比0.007).
- 道间连接功能贡献了61%的区分能力;传统的ML显示95%的快速训练和10倍的快速推断.
- 深度学习在噪音下降低了更多 (17% vs. <1%),而传统的ML仍然强大.
结论:
- 建筑复杂性并不总是提高消费级EEG的生物信号处理.
- 特定领域的特征工程和轻量适应为EEG情感识别提供了卓越的准确性,稳定性和实际部署.
- 结果表明,这些原则可以扩展到其他复杂的架构,从而实现强大的跨系统BCI应用.
