一种应用于脑电情感识别的迁移学习框

摘要

脑电信号作为最能表征人体情绪的信号,正在成为情感识别的主流信号源.利用迁移学习可以克服生理信号源域、目标域间存在分布差异的问题.传统迁移学习由于缺少对样本、特征的选择过程,会对迁移效果产生负影响,致使识别率较低.为提升迁移效果,在样本、特征两个方面对迁移数据进行优化.介绍了一种基于Like值的实例筛选方法,以及基于粒子群优化的自动特征选择方法,并使用联合分布适配(joint distribution adaptation,JDA),提出了一种应用于情感识别的迁移学习框架.在SEED数据集上构建了两个迁移任务并进行验证,结果表明,该框架可以有效提升迁移效果,提高跨域情感识别准确率.