基于流形的域适应与动态分布用于跨主体和跨会话 EEG 基于情感的非深度迁移学习
人机交互
2025-06-25 v3 机器学习
摘要
使用基于电体信号（EEG）的情感计算在情感脑机接口（aBCI）中进行情感解码起到了关键作用，但受到 EEG 非平稳性、个体差异以及大型标注数据集高成本等挑战的限制。虽然深度学习方法有效，但需要大量计算资源和数据，限制了其实际应用。为克服这些问题，我们提出了一种基于流形的域适应与动态分布（M3D），这是一种轻量级、非深度迁移学习框架。M3D 由四个关键模块组成：流形特征转换、动态分布对齐、分类器学习和集成学习。数据被映射到最佳的 Grassmann 流形空间，以实现源域和目标域的动态对齐。该对齐旨在优先考虑边际分布和条件分布，从而提高跨数据集的适应效率。在分类器学习中，应用结构风险最小化原则构建稳健的分类模型。此外，动态分布对齐不断细化分类器。集成学习模块汇聚来自不同优化阶段的分类器，以利用其多样性并提高预测准确性。M3D 在两个 EEG 情感识别数据集上进行评估，使用两种验证协议（跨主体单会话和跨主体跨会话），并在用于重大抑郁 disorder（MDD）的临床 EEG 数据集上进行测试。实验结果表明，M3D 在传统非深度学习方法上实现了平均 4.47% 的提升，并在较少数据和计算需求下达到了深度学习水平的性能，展示了其在实际 aBCI 应用中的潜力。
关键词
引用
@article{arxiv.2404.15615,
title = {M3D: Manifold-based Domain Adaptation with Dynamic Distribution for Non-Deep Transfer Learning in Cross-subject and Cross-session EEG-based Emotion Recognition},
author = {Ting Luo and Jing Zhang and Yingwei Qiu and Li Zhang and Yaohua Hu and Zhuliang Yu and Zhen Liang},
journal= {arXiv preprint arXiv:2404.15615},
year = {2025}
}