基于多源域迁移学习的脑电情感识别

发布时间：2021-08-25 10:57

　　针对普通机器学习算法与单源域迁移学习在应用方面的局限性,利用多源域迁移学习算法解决跨被试情感识别中正确率低的问题。为提高迁移学习的计算效率并避免负迁移现象的产生,分别从样本和特征两个方面对迁移数据进行优化。用多源域选择算法筛选出最优源域集合,用迁移特征选择算法得到最优特征集合,训练出多个迁移学习模型并对之集成。在数据集SEED上对该算法进行验证,验证结果表明,该模型相比其它情感识别模型具有更优的跨被试情感识别能力。 

【文章来源】：计算机工程与设计. 2020,41(07)北大核心

【文章页数】：8 页

【部分图文】：

情感识别模型总体框架

领域间整体数据差异在于两者概率分布的不同导致数据分布的不同，常用的概率分布距离度量函数有相对熵[9]、布雷格曼散度[10]和最大均值差异（maximum mean discrepancy,MMD)[11]。前两种方法计算通常需要估计其分布密度，而最大均值差异可以用不同领域在无限维核空间中的均值差异来近似，计算相对简单且效率高，因此该方法的使用最为广泛。本文采用MMD将源域和目标域数据嵌入到共享的可再生希尔伯特空间中，在该空间中两者间的均值差异代表相似度大小。MMD计算值越大代表领域间相似性越大。第m个源域Dms和目标域Dt之间的MMD值可定义如下

为了进一步降低后续迁移学习的计算成本、提高识别精度，本文使用迁移特征选择算法筛选出适宜迁移的特征子集，该算法由两个阶段组成，其计算流程如图3所示。首先计算源域中每个特征对应的Fisher Score[13]值，Fisher Score属于过滤型特征选择算法，具有计算速度快适用性强的优点。该算法通过度量样本中类间散度与类内散度的关系，判断特征与类别标签间的相关性。本文根据Fisher Score准则选取具有鉴别力的特征集合。Fisher Score的计算公式如下

【参考文献】：
博士论文
[1]迁移学习问题与方法研究[D]. 龙明盛.清华大学 2014



本文编号：3361986