使用无监督域适应的增强型跨数据集脑电情绪识别
摘要
情绪识别在医疗保健和脑机接口（BCI）等情感敏感系统中具有巨大潜力。然而，标注数据成本高昂以及脑电图（EEG）信号在不同个体间的差异性，限制了基于 EEG 的情绪识别模型跨域的适用性。在跨数据集场景中，由于受试者人口统计学特征、记录设备和呈现刺激的差异，这些挑战进一步加剧。为了解决这些问题，我们提出了一种提高跨域基于 EEG 的情绪分类的新方法。我们的方法，渐进邻近度引导的目标数据选择（Gradual Proximity-guided Target Data Selection, GPTDS），逐步选择可靠的目标域样本进行训练。通过评估目标样本与源簇的邻近度以及模型对其预测的置信度，GPTDS 最大限度地减少了由噪声和多样样本引起的负迁移。此外，我们引入了预测置信度感知的测试时增强（Prediction Confidence-aware Test-Time Augmentation, PC-TTA），这是一种低成本的增强技术。与计算量大的传统 TTA 方法不同，PC-TTA 仅在模型置信度较低时激活，在大幅降低计算成本的同时提高了推理性能。在 DEAP 和 SEED 数据集上的实验验证了我们方法的有效性。在 DEAP 上训练并在 SEED 上测试时，我们的模型达到了 67.44% 的准确率，较基线提高了 7.09%。反之，在 SEED 上训练并在 DEAP 上测试，准确率达到 59.68%，提高了 6.07%。此外，与传统 TTA 方法相比，PC-TTA 将计算时间减少了 15 倍。我们的方法在检测积极和消极情绪方面均表现出色，证明了其在医疗保健应用中的实用价值。代码获取地址：https://github.com/RyersonMultimediaLab/EmotionRecognitionUDA
引用
@article{arxiv.2411.12852,
title = {Enhanced Cross-Dataset Electroencephalogram-based Emotion Recognition using Unsupervised Domain Adaptation},
author = {Md Niaz Imtiaz and Naimul Khan},
journal= {arXiv preprint arXiv:2411.12852},
year = {2024}
}
备注
In press: Computers in Biology and Medicine