基于 EEG 的情感风格迁移网络用于跨数据集情感识别
信号处理
2023-08-14 v1 人机交互
机器学习
摘要
作为实现 aBCI 的关键,EEG 情感识别已被许多研究者广泛研究。以往方法在受试者内 EEG 情感识别上表现良好。然而,由巨大的域间差异引起的源域(训练数据)与目标域(测试数据)EEG 样本之间的风格失配仍然是 EEG 情感识别的一个关键问题。为解决跨数据集 EEG 情感识别问题,本文提出一种基于 EEG 的情感风格迁移网络(E2STN),以获得包含源域内容信息和目标域风格信息的 EEG 表征,称为风格化情感 EEG 表征。这些表征有助于跨数据集的判别预测。具体而言,E2STN 由三个模块组成,即迁移模块、迁移评估模块和判别预测模块。迁移模块编码源域和目标域的特定域信息,然后将源域的情感模式与目标域的统计特征重构为新的风格化 EEG 表征。在此过程中,采用迁移评估模块约束生成的表征,使其能更精确地融合来自源域和目标域的两类互补信息并避免失真。最后,生成的风格化 EEG 表征被送入判别预测模块进行最终分类。大量实验表明,E2STN 在跨数据集 EEG 情感识别任务上可达到最先进的性能。
引用
@article{arxiv.2308.05767,
title = {EEG-based Emotion Style Transfer Network for Cross-dataset Emotion Recognition},
author = {Yijin Zhou and Fu Li and Yang Li and Youshuo Ji and Lijian Zhang and Yuanfang Chen and Wenming Zheng and Guangming Shi},
journal= {arXiv preprint arXiv:2308.05767},
year = {2023}
}
备注
13 pages, 5 figures