一种用于脑电情绪识别的可迁移性注意力神经网络模型
计算机视觉与模式识别
2020-09-22 v1 人机交互
摘要
现有的脑电(EEG)情绪识别方法总是基于所有EEG样本无差别地训练模型。然而，部分源（训练）样本可能因与目标（测试）样本显著差异而产生负面影响。因此，有必要对具有强可迁移性的EEG样本给予更多关注，而非强行用所有样本训练分类模型。此外，从神经科学角度看，对于一个EEG样本，并非所有脑区都包含可有效迁移至测试数据的情绪信息，甚至某些脑区数据会对情绪分类模型学习产生强烈负面作用。考虑这两个问题，本文提出一种用于EEG情绪识别的可迁移注意力神经网络(TANN)，通过局部与全局注意力机制自适应地突出可迁移的EEG脑区数据与样本，从而学习情绪判别信息。这可通过多个脑区级判别器与一个样本级判别器的输出度量来实现。我们在三个公开EEG情绪数据集上进行了充分实验，结果验证了所提模型达到了最先进(state-of-the-art)性能。
引用
@article{arxiv.2009.09585,
title = {A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition},
author = {Yang Li and Boxun Fu and Fu Li and Guangming Shi and Wenming Zheng},
journal= {arXiv preprint arXiv:2009.09585},
year = {2020}
}