MS-MDA：面向跨被试与跨会话 EEG 情绪识别的多源边际分布自适应
机器学习
2021-07-19 v1 人工智能
摘要
作为精神疾病诊断与康复的重要元素，基于脑电图（EEG）的情绪识别因其高精度与高可靠性取得了显著进展。然而，实用化的一大障碍在于被试间与会话间的变异性。尽管若干研究已采用域自适应（DA）方法应对该问题，但多数将来自不同被试与会话的多个 EEG 数据一同作为单一源域进行迁移，这要么无法满足源域具有确定边际分布的域自适应假设，要么增加了自适应难度。因此我们提出用于 EEG 情绪识别的多源边际分布自适应（MS-MDA），其同时考虑域不变与域特定特征。首先，我们假设不同 EEG 数据共享相同的底层特征，随后为多个 EEG 数据源域构建独立分支以采用一对一域自适应并提取域特定特征。最后，由多个分支进行推断。我们在 SEED 与 SEED-IV 上分别评估了识别三种与四种情绪的方法。实验结果表明，在我们的设置下，MS-MDA 在跨会话与跨被试迁移场景中优于对比方法与 SOTA 模型。代码见 https://github.com/VoiceBeer/MS-MDA。
引用
@article{arxiv.2107.07740,
title = {MS-MDA: Multisource Marginal Distribution Adaptation for Cross-subject and Cross-session EEG Emotion Recognition},
author = {Hao Chen and Ming Jin and Zhunan Li and Cunhang Fan and Jinpeng Li and Huiguang He},
journal= {arXiv preprint arXiv:2107.07740},
year = {2021}
}
备注
10 pages, 8 figures