增强跨数据集 EEG 情绪识别：一种基于情绪 EEG 风格迁移网络的新方法
人机交互
2024-03-26 v1
摘要
认识到 EEG 情绪识别在情感脑机接口发展中扮演的关键角色，该领域已投入了大量研究工作。尽管先前的方法在个体内 EEG 情绪识别中取得了成功，但在解决源域（训练数据）与目标域（测试数据）EEG 信号之间的风格不匹配问题上，仍存在一个关键挑战。为解决跨数据集 EEG 情绪识别中显著的域间差异，本文引入了一种创新解决方案，称为情绪 EEG 风格迁移网络（ESTN）。该网络的主要目标是有效捕获源域的内容信息和目标域的风格特征，从而能够重建风格化的 EEG 情绪表征。这些表征在增强跨数据集判别预测方面非常有益。具体而言，ESTN 由三个关键模块组成——迁移模块、迁移评估模块和判别预测模块——分别处理域风格迁移、迁移质量评估和判别预测。大量实验表明，ESTN 在跨数据集 EEG 情绪识别任务中达到了最先进的性能。
引用
@article{arxiv.2403.16540,
title = {Enhancing Cross-Dataset EEG Emotion Recognition: A Novel Approach with Emotional EEG Style Transfer Network},
author = {Yijin Zhou and Fu Li and Yang Li and Youshuo Ji and Lijian Zhang and Yuanfang Chen},
journal= {arXiv preprint arXiv:2403.16540},
year = {2024}
}
备注
8 pages. arXiv admin note: substantial text overlap with arXiv:2308.05767