EEG2Vec：通过变分自编码器学习情感 EEG 表示
机器学习
2022-08-08 v2 人工智能
信号处理
摘要
在算力与内存资源受限场景下，对人类情感状态的稀疏表示格式需求日益增长。我们探究将情绪刺激下的神经数据表征于潜向量空间中，是否既能预测情感状态，又能生成特定于参与者及/或情绪的合成 EEG 数据。我们提出一种基于条件变分自编码器（conditional variational autoencoder）的框架 EEG2Vec，以从 EEG 数据中学习生成-判别表示。在情感 EEG 记录数据集上的实验结果表明，我们的模型适用于无监督 EEG 建模；基于潜表示对三类离散情绪（积极、中性、消极）进行分类取得了 68.49% 的稳健性能；生成的合成 EEG 序列类似于真实 EEG 数据输入，尤其能重建低频信号分量。我们的工作推进了情感 EEG 表示可发挥作用的方向，例如生成人工（带标签）训练数据或缓解人工特征提取，并为内存受限的边缘计算应用提供效率。
引用
@article{arxiv.2207.08002,
title = {EEG2Vec: Learning Affective EEG Representations via Variational Autoencoders},
author = {David Bethge and Philipp Hallgarten and Tobias Grosse-Puppendahl and Mohamed Kari and Lewis L. Chuang and Ozan Özdenizci and Albrecht Schmidt},
journal= {arXiv preprint arXiv:2207.08002},
year = {2022}
}
备注
8 pages, 7 figures