EvoFA：面向 EEG 情感识别的可进化快速适应
机器学习
2024-09-25 v1 人工智能
摘要
基于 EEG 的情感识别因其准确性和客观性而受到广泛关注。然而，EEG 信号的非平稳性导致随时间产生分布漂移，当模型被重复使用时会导致严重的性能下降。虽然近年来提出了许多域适应（DA）方法来解决此问题，但其对目标数据大量标定的依赖限制了仅限于离线场景，难以满足实时应用需求。为此，本文提出了可进化的快速适应（EvoFA）框架，用于 EEG 数据的在线自适应。EvoFA 将 Few-Shot Learning（FSL）的快速适应与 Domain Adaptation（DA）的分布匹配原色融合，通过两阶段泛化过程实现。训练阶段构建健壮的基础元学习模型以实现强泛化。在测试阶段，设计的可进化元适应模块在模型无关元学习框架内迭代对齐目标（测试）数据与发展中的源（训练）数据的边际分布，使模型能够学习测试数据相对于训练数据的演变趋势，从而提高在线测试性能。实验结果表明，EvoFA 在基本 FSL 方法和以前的在线方法上均实现了显著提升。EvoFA 的引入为 EEG 基于情感识别在实际应用中的更广泛采用铺平了道路。我们的代码将在发表后公开。
引用
@article{arxiv.2409.15733,
title = {EvoFA: Evolvable Fast Adaptation for EEG Emotion Recognition},
author = {Ming Jin and Danni Zhang and Gangming Zhao and Changde Du and Jinpeng Li},
journal= {arXiv preprint arXiv:2409.15733},
year = {2024}
}