用于受试者无关生理特征提取的解耦对抗自编码器
机器学习
2020-10-28 v1 信号处理
机器学习
摘要
生物信号处理的最新进展使用户能够以可靠且安全的方式利用自身生理状态操控设备。生理感知的一大挑战在于不同用户与任务间生物信号的可变性。为解决此问题，我们提出一种用于迁移学习的对抗式特征提取器，以利用解耦的通用表征。我们通过引入额外的对抗网络与干扰网络来考虑任务相关特征与用户判别信息之间的权衡，从而操纵潜表征，使学到的特征提取器适用于未知用户与多种任务。跨受试者迁移评估的结果展现了所提框架的优势，分类平均准确率提升高达 8.8%，并证明了对更广泛受试者的适应性。
引用
@article{arxiv.2008.11426,
title = {Disentangled Adversarial Autoencoder for Subject-Invariant Physiological Feature Extraction},
author = {Mo Han and Ozan Ozdenizci and Ye Wang and Toshiaki Koike-Akino and Deniz Erdogmus},
journal= {arXiv preprint arXiv:2008.11426},
year = {2020}
}
备注
Accepted for publication by IEEE Signal Processing Letters