基于双重伪标签的对抗领域适应基于EEG的情绪识别

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:

• 无监督域适应 (UDA) 对于使用脑电图 (EEG) 进行交叉主体情绪识别至关重要.
• 现有的UDA方法往往忽略了目标域类信息,导致粗对齐和错误分类.
• 需要更精细的UDA技术来改善基于EEG的情绪识别的泛化.

研究的目的:

• 提出一种基于对抗训练的新型领域适应框架,用于跨主体的情感识别.
• 通过使用情感类原型和软伪标签来增强阶级内部的相关性和阶级间的歧视性.
• 通过双重伪标签策略来提高伪标签的稳定性和质量,以实现细粒度域调整.

主要方法:

• 利用情感类原型来加强源域和目标域之间的特征分布相关性.
• 利用原型集群的软伪标签来提高域内类别分离性.
• 实施双重伪标签策略,以提高伪标签质量和针对细粒度分布对齐的对抗性培训.

主要成果:

• 提出的方法在跨主体和跨会话情绪识别评估中表现出显著的有效性.
• 实验结果显示,相对于几种最先进的无监督域适应方法,它具有优势.
• 双重伪标签策略提供了额外的监督,完善域名适应和改进模型通用化.

结论:

• 新的对抗性培训框架与基于原型的适应和双重伪标签有效地解决了现有UDA方法的局限性.
• 这种方法实现了更细致的域调整,从而提高了基于EEG的情绪识别的准确性.
• 这项研究显著提高了跨主体情绪识别模型的概括能力.