用于情绪识别的深度循环半监督脑电表征学习
机器学习
2021-07-29 v1 信号处理
摘要
基于 EEG 的情绪识别通常需要充足的标注训练样本以构建有效的计算模型。而标注 EEG 数据往往昂贵且耗时。为解决该问题并减少基于 EEG 的情绪识别对输出标签的需求，我们提出一种半监督流程，联合利用无标注与有标注数据学习 EEG 表征。我们的半监督框架由无监督与有监督两部分组成。无监督部分利用自编码器最大化原始输入数据与重构输入数据间的一致性，同时有监督部分最小化输入与输出标签间的交叉熵。我们使用堆叠自编码器与基于注意力的循环自编码器评估框架。我们在大规模 SEED EEG 数据集上测试框架，并将结果与若干其他流行半监督方法比较。采用深度基于注意力的循环自编码器的半监督框架始终优于基准方法，即使在训练期间仅可用少量（3\%、5\% 和 10\%）输出标签时，也取得了新的最优半监督性能。
引用
@article{arxiv.2107.13505,
title = {Deep Recurrent Semi-Supervised EEG Representation Learning for Emotion Recognition},
author = {Guangyi Zhang and Ali Etemad},
journal= {arXiv preprint arXiv:2107.13505},
year = {2021}
}
备注
Accepted by 9th International Conference on Affective Computing and Intelligent Interaction (ACII 2021)