基于可迁移注意力节点级域自适应的EEG路怒识别
信号处理
2022-12-06 v1 机器学习
摘要
路怒是一种值得关注的社会问题，但迄今相关研究甚少。本文基于多通道EEG信号的生物拓扑结构，提出一种结合可迁移注意力(TA)与正则化图神经网络(RGNN)的模型。首先，对EEG信号进行拓扑感知信息聚合，动态学习通道间的复杂关系。随后，基于节点级域分类器的结果量化各通道的可迁移性，并将其作为注意力分数。我们招募了10名被试，并在模拟驾驶条件下采集其愉悦与愤怒状态下的EEG信号。我们在该数据集上验证了方法的有效性，并与其他方法进行比较。结果表明，我们的方法简洁高效，在跨被试实验中准确率达85.63%，可用于识别路怒。我们的数据与代码已公开：https://github.com/1CEc0ffee/dataAndCode.git
引用
@article{arxiv.2212.02417,
title = {Node-wise Domain Adaptation Based on Transferable Attention for Recognizing Road Rage via EEG},
author = {Gao Xueqi and Xu Chao and Song Yihang and Hu Jing and Xiao Jian and Meng Zhaopeng},
journal= {arXiv preprint arXiv:2212.02417},
year = {2022}
}