基于深度生成模型增强EEG情绪识别的数据增强
信号处理
2020-06-18 v2 机器学习
摘要
基于脑电图（EEG）的情绪识别中的数据稀缺问题，导致难以使用机器学习算法或深度神经网络构建高精度的情感模型。受新兴深度生成模型的启发，我们提出三种增强EEG训练数据的方法以提升情绪识别模型性能。我们所提方法基于两种深度生成模型——变分自编码器（VAE）与生成对抗网络（GAN）——以及两种数据增强策略。全使用策略将所有生成数据不加质量判别地增强至训练集，而部分使用策略仅筛选高质量数据追加至训练集。这三种方法称为条件Wasserstein GAN（cWGAN）、选择性VAE（sVAE）与选择性WGAN（sWGAN）。为评估方法有效性，我们在两个公开EEG情绪识别数据集SEED与DEAP上进行了系统性实验研究。我们首先以两种形式生成类真实的EEG训练数据：功率谱密度与差分熵。随后，我们用不同数量的生成类真实EEG数据增强原始训练集。最后，我们使用原始与增强训练集训练带快捷层的支持向量机与深度神经网络以构建情感模型。实验结果表明，由我们所提方法生成的增强训练集提升了基于EEG的情绪识别模型性能，并优于现有的数据增强方法如条件VAE、高斯噪声与旋转数据增强。
引用
@article{arxiv.2006.05331,
title = {Data Augmentation for Enhancing EEG-based Emotion Recognition with Deep Generative Models},
author = {Yun Luo and Li-Zhen Zhu and Zi-Yu Wan and Bao-Liang Lu},
journal= {arXiv preprint arXiv:2006.05331},
year = {2020}
}