基于领域适配的跨个体脑电情绪识别方法研究

发布时间：2020-12-12 06:18

　　基于脑电信号（Electroencephalo-Graph,EEG）的情绪识别方法以其良好的客观性和较高的时间分辨率,是研究大脑对情绪刺激反应的首选方法。然而,由于脑电情绪特征具有明显的不稳定性,利用固定分类模型预测脑电信号对应的情绪状态变得十分困难,极大地限制了脑电情绪识别技术的实际应用。如何提升脑电情绪分类模型在源自不同个体（或时段）的样本上的泛化能力是目前脑电情绪识别领域最具有挑战性的前沿方向之一。领域适配（Domain Adaptation,DA）方法通过在不同领域间实现知识迁移,放宽了训练样本和待测样本必须满足相同概率分布的要求,是解决上述问题的有效方法。本文围绕脑电情绪识别技术的诸多特性,从特征适配和判别模型适配两个层面开展了一系列基于领域适配的脑电情绪识别方法研究,为解决跨个体（或时段）脑电情绪识别问题提供了新的方法和思路。论文完成的主要研究工作如下:首先,针对基于浅层网络的核学习领域适配方法难以挖掘脑电特征概率分布中复杂结构的问题进行研究,提出了一种基于子空间约束栈式自动编码器（Subspace Constraint Auto-encoder,SCAE）的离线脑电特征适... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：125 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及研究的目的和意义
    1.2 脑电情绪识别技术概述
        1.2.1 脑电节律与情绪状态空间
        1.2.2 脑电情绪识别方法
    1.3 跨个体脑电情绪识别研究现状及分析
        1.3.1 脑电特征不稳定性问题分析
        1.3.2 离线跨个体脑电情绪识别研究现状及分析
        1.3.3 在线跨个体脑电情绪识别研究现状及分析
        1.3.4 脑电数据多源性问题研究现状及分析
    1.4 本研究领域存在的科学问题和关键技术问题
    1.5 本文的主要研究内容
第2章 基于SCAE的离线脑电情绪特征适配
    2.1 引言
    2.2 问题分析
    2.3 堆栈式自动编码器
    2.4 子空间约束栈式自动编码器（SCAE）
    2.5 参数优化算法
    2.6 特征适配与分类
    2.7 实验过程和结果分析
        2.7.1 实验数据及设置
        2.7.2 性能评价指标
        2.7.3 Cross-Subject特征适配性能比较
        2.7.4 Cross-Period特征适配性能比较
        2.7.5 参数敏感性分析
        2.7.6 实验结果讨论
    2.8 本章小结
第3章 基于ASFM的在线脑电情绪特征适配
    3.1 引言
    3.2 自适应子空间特征匹配（ASFM）
        3.2.1 基于子空间对齐的边缘分布适配
        3.2.2 自适应直推式条件分布适配
        3.2.3 计算复杂度分析
    3.3 实验过程和结果分析
        3.3.1 实验数据及设置
        3.3.2 性能评价指标
        3.3.3 在线特征适配性能比较
        3.3.4 计算效率分析
        3.3.5 参数敏感性分析
        3.3.6 实验结果讨论
    3.4 本章小结
第4章 基于MSDA的多源脑电情绪判别模型适配
    4.1 引言
    4.2 多源领域适配（MSDA）
        4.2.1 多源领域适配方法框架
        4.2.2 个体分类模型学习
        4.2.3 模型适配权重估计
        4.2.4 分类模型适配
    4.3 实验过程和结果分析
        4.3.1 实验数据及设置
        4.3.2 多源领域适配实验结果
        4.3.3 个体差异估计效果评估
        4.3.4 参数敏感性分析
        4.3.5 实验结果讨论
    4.4 本章小结
结论
参考文献
攻读博士学位期间发表的论文及其他成果
致谢
个人简历



本文编号：2912016