GANSER：一种基于 EEG 的情绪识别自监督数据增强框架
机器学习
2021-09-09 v2 人工智能
人机交互
摘要
基于脑电图（EEG）的情感计算中数据稀缺的问题，导致难以利用机器学习算法（尤其是深度学习模型）构建高精度且稳定的有效模型。数据增强近期为深度学习模型带来了可观的性能提升：准确率提高、稳定性增强以及过拟合减轻。本文提出一种新颖的数据增强框架，即基于生成对抗网络的自监督数据增强（GANSER）。作为首个将对抗训练与自监督学习结合用于基于 EEG 的情绪识别，该框架可生成高质量、高多样性的模拟 EEG 样本。具体而言，我们利用对抗训练学习一个 EEG 生成器，并迫使生成的 EEG 信号逼近真实样本分布，以保证增强样本的质量。采用变换函数掩蔽部分 EEG 信号，并迫使生成器基于剩余部分合成潜在的 EEG 信号，以产生丰富多样的样本。变换过程中的掩蔽概率作为先验知识引入，以引导为模拟 EEG 信号提取可区分特征，并使分类器泛化到增强样本空间。最后，大量实验表明，我们所提方法可助力情绪识别取得性能增益，并达到最先进结果。
引用
@article{arxiv.2109.03124,
title = {GANSER: A Self-supervised Data Augmentation Framework for EEG-based Emotion Recognition},
author = {Zhi Zhang and Sheng-hua Zhong and Yan Liu},
journal= {arXiv preprint arXiv:2109.03124},
year = {2021}
}