基于Transformer特征生成的多源域自适应用于独立于被试的脑电情绪识别
机器学习
2024-01-05 v1 信号处理
摘要
尽管基于深度学习的算法在通过脑电图（EEG）信号进行自动情绪识别方面表现出色，但个体间脑信号模式的差异会降低模型在不同被试间应用时的有效性。虽然迁移学习技术已展现出有希望的结果，但它们仍然面临特征表示不足的挑战，并且可能忽略源被试本身可能具有不同特征的事实。在这项工作中，我们提出了一种基于Transformer特征生成器的多源域自适应方法（MSDA-TF），旨在利用来自多个源的信息。所提出的特征生成器保留卷积层以捕获浅层的空间、时间和频谱EEG数据表示，而自注意力机制则提取这些特征中的全局依赖关系。在自适应过程中，我们基于相关值对源被试进行分组，并旨在将目标被试的矩与每个源以及源内部的矩对齐。MSDA-TF在SEED数据集上进行了验证，并显示出有希望的结果。
引用
@article{arxiv.2401.02344,
title = {Multi-Source Domain Adaptation with Transformer-based Feature Generation for Subject-Independent EEG-based Emotion Recognition},
author = {Shadi Sartipi and Mujdat Cetin},
journal= {arXiv preprint arXiv:2401.02344},
year = {2024}
}