面向有限 EEG 数据情绪分类的单调性约束注意力模块
信号处理
2022-10-14 v2 计算机视觉与模式识别
机器学习
摘要
本文提出了一种参数高效的注意力模块，用于基于数量有限或相对较少的脑电图（EEG）信号进行情绪分类。该模块被称为单调性约束注意力模块（MCAM），因其在将特征的 Gram 矩阵转换为注意力矩阵以更好地进行特征精炼时，能够融入关于单调性的先验知识。我们的实验表明，在提升骨干网络预测性能方面，MCAM 的有效性可与最先进的注意力模块相媲美，同时所需参数更少。我们还对训练后模型针对不同攻击的预测进行了若干敏感性分析。这些攻击包括不同的频域滤波级别，以及在关联多个标签的样本之间逐步变形。我们的结果有助于更好地理解不同模块在预测中的行为，并可为数据有限且含噪声的应用提供指导。
引用
@article{arxiv.2208.08155,
title = {A Monotonicity Constrained Attention Module for Emotion Classification with Limited EEG Data},
author = {Dongyang Kuang and Craig Michoski and Wenting Li and Rui Guo},
journal= {arXiv preprint arXiv:2208.08155},
year = {2022}
}
备注
A Preprint for the accepted work by MICCAI 2022 workshop: Medical Image Learning with Noisy and Limited Data