DSP-MCF:双流预训练和多视图一致性微调,用于跨主体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
• 大脑与计算机的接口

背景情况:

• 脑电图 (EEG) 情绪识别对于脑电脑接口 (BCI) 非常重要,因为它具有客观性.
• 跨主体EEG情绪识别面临着个体变化和数据采集干扰等挑战.

研究的目的:

• 开发一个强大的框架,用于跨主体EEG情绪识别.
• 为了解决EEG数据中个体变异性和通道干扰的局限性.

主要方法:

• 提出了一个新的双流预培训和多视图一致性微调 (DSP-MCF) 框架.
• 该框架使用时空编码解码器来从掩盖/不完整的EEG数据中提取和重建特征.
• 一个多视图一致性损失函数从实际和掩盖的EEG数据对情绪预测进行调整.

主要成果:

• DSP-MCF框架在跨主体EEG情绪识别方面取得了卓越的表现.
• 在SEED数据集上达到89.76%的准确性,在SEED-IV数据集上达到77.02%.
• 证明了对个体变化和通道损失的稳定性.

结论:

• DSP-MCF框架有效地克服了EEG情绪识别中的个体变化.
• 该模型为处理BCI应用中不完整或降解的EEG信号提供了可靠的解决方案.
• 整合时空重建与多视图一致性可以提高BCI的实际可用性.