基于软解耦无速率自编码器的通用生理表征学习
信号处理
2020-09-29 v1 机器学习
摘要
人机交互（HCI）涉及技术的多学科融合，通过监测用户的生理状态可实现对外部设备的控制。然而，由于不稳定的生理/心理状况以及与任务无关的活动，生理生物信号常随用户和记录会话而变化。为应对这一挑战，我们提出一种采用无速率自编码器（RAE）概念的对抗特征编码方法，以利用解耦的、抗干扰的以及通用的表征。我们通过引入额外的对抗网络对潜在表征进行随机解耦，从而在用户特定特征与任务相关特征之间取得良好权衡。所提模型适用于更广泛的未知用户与任务以及不同分类器。跨被试迁移评估的结果显示了所提框架的优势，其平均被试迁移分类准确率提升高达 11.6%。
引用
@article{arxiv.2009.13453,
title = {Universal Physiological Representation Learning with Soft-Disentangled Rateless Autoencoders},
author = {Mo Han and Ozan Ozdenizci and Toshiaki Koike-Akino and Ye Wang and Deniz Erdogmus},
journal= {arXiv preprint arXiv:2009.13453},
year = {2020}
}
备注
8 pages