DAGAM：一种用于被试无关基于 EEG 的情绪识别的域对抗图注意力模型
信号处理
2022-03-01 v1 机器学习
摘要
基于 EEG 的情绪识别最显著的挑战之一是跨被试 EEG 差异，导致性能与泛化性差。本文提出一种称为域对抗图注意力模型（DAGAM）的新型基于 EEG 的情绪识别模型。基本思想是利用生物拓扑生成图以建模多通道 EEG 信号。图论可拓扑描述并分析 EEG 各通道间关系与相互依赖。然后，不同于其他图卷积网络，应用自注意力池化以从图中获益于显著 EEG 特征提取，有效提升性能。最后，图池化后采用基于图的域对抗以识别并处理跨被试 EEG 差异，高效达到良好泛化性。我们在两个基准数据集（SEED 与 SEED IV）上进行充分评估，并在被试无关情绪识别中取得 SOTA 结果。我们的模型将 SEED 准确率提升至 92.59%（提升 4.69%）且标准偏差最低为 3.21%（降低 2.92%），将 SEED IV 准确率提升至 80.74%（提升 6.90%）且标准偏差最低为 4.14%（降低 3.88%）。
引用
@article{arxiv.2202.12948,
title = {DAGAM: A Domain Adversarial Graph Attention Model for Subject Independent EEG-Based Emotion Recognition},
author = {Tao Xu and Wang Dang and Jiabao Wang and Yun Zhou},
journal= {arXiv preprint arXiv:2202.12948},
year = {2022}
}
备注
8 pages, 2 figures