PR-PL：一种基于原型表征成对学习的新型迁移学习框架用于基于EEG的情绪识别
人机交互
2022-05-09 v3
摘要
基于脑电图（EEG）的情感脑机接口是情感计算领域的一个重要分支。然而，个体差异和噪声标签严重限制了基于EEG的情绪识别模型的有效性和泛化能力。在本文中，我们提出了一种基于原型表征成对学习（PR-PL）的新型迁移学习框架，以学习具有判别性和泛化性的原型表征来跨个体揭示情绪，并将情绪识别表述为成对学习，从而减轻对精确标签信息的依赖。我们在两个基准数据库上针对四种交叉验证评估协议（跨被试跨会话、跨被试会话内、被试内跨会话和被试内会话内）进行了大量实验。实验结果表明，所提出的PR-PL在所有四种评估协议下均优于当前最优方法，显示了PR-PL在处理情感研究中EEG响应模糊性方面的有效性和泛化能力。源代码可在 https://github.com/KAZABANA/PR-PL 获取。
引用
@article{arxiv.2202.06509,
title = {PR-PL: A Novel Transfer Learning Framework with Prototypical Representation based Pairwise Learning for EEG-Based Emotion Recognition},
author = {Rushuang Zhou and Zhiguo Zhang and Hong Fu and Li Zhang and Linling Li and Gan Huang and Yining Dong and Fali Li and Xin Yang and Zhen Liang},
journal= {arXiv preprint arXiv:2202.06509},
year = {2022}
}