EEGFuseNet：面向高维EEG的混合无监督深度特征表征与融合及其在情感识别中的应用
人机交互
2021-10-04 v2 机器学习
信号处理
摘要
如何从高维脑电（EEG）中有效且高效地提取有效可靠特征，特别是如何将空间与时态动态脑信息融合为更优特征表示，是脑数据分析中的关键问题。当前多数EEG研究以任务驱动方式工作，并利用有监督模型探索有效EEG特征，这在很大程度上受限于给定标签。本文提出一种实用的基于混合无监督深度卷积循环生成对抗网络的EEG特征表征与融合模型，称为EEGFuseNet。EEGFuseNet以无监督方式训练，自动表征涵盖空间与时态动力学的深度EEG特征。与现有特征相比，所表征的深度EEG特征可视为更通用且独立于任何特定EEG任务。所提取的深度低维特征经EEGFuseNet在基于三个公开情感数据库的无监督情感识别应用中被细致评估。结果表明所提EEGFuseNet是一种鲁棒可靠模型，易于训练且在动态EEG特征表示与融合中高效。特别地，EEGFuseNet被确立为一种最优无监督融合模型，具有前景的跨被试情感识别性能。它证明EEGFuseNet能够表征并融合隐含对应于不同情绪状态变化的比较皮层动态显著性的深度特征，也展示了以纯无监督方式实现基于EEG的跨被试情感识别的可能性。
引用
@article{arxiv.2102.03777,
title = {EEGFuseNet: Hybrid Unsupervised Deep Feature Characterization and Fusion for High-Dimensional EEG with An Application to Emotion Recognition},
author = {Zhen Liang and Rushuang Zhou and Li Zhang and Linling Li and Gan Huang and Zhiguo Zhang and Shin Ishii},
journal= {arXiv preprint arXiv:2102.03777},
year = {2021}
}