学习报告：基于脑电信号迁移学习领域相似性的跨被试情绪识别

该论文来自” IEEE Transactions on Neural Systems and Rehabilitation Engineering”期刊, 发表于 2021 年 1 月 16 日, 论文名称为”Cross-disciplinary emotion recognition based on similarity of EEG signal transfer learning domain”.

为了解决通过脑电图(EEG)信号迁移学习进行跨被试情绪识别中由于源域数据的负迁移而导致的准确率下降问题, 这篇论文提供了一种新的方法来动态选择适合迁移学习的数据, 并消除可能导致负迁移的数据. 这种方法被称为跨被试源域选择(cross-subject source domain selection, CSDS).

改论文提出的方法主要分为三个部分. 首先, 根据 Copula 函数理论建立 Frankcopula 模型, 用于研究源于和目标域之间的相关性, 用 Kendall 相关系数来描述. 然后改进了最大平均差异的计算方法, 以确定单个源中类之间的距离. 归一化后叠加肯德尔相关系数, 并设置阈值已识别最合适迁移学习的源于数据. 最后在迁移学习的过程中, 在流形嵌入分布对齐的基础上, 使用局部切线空间对其方法对非线性流形的局部集合进行低维线性估计, 保持了降维后样本数据的局部特征. 最后的实验结果表明, 与传统方法相比, CSDS 方法使情绪分类的准确率提高了约 2.8%, 运行时间缩短了 65%.

方法介绍

他们首先提出使用 Copula 函数对跨受试者脑电信号之间的非线性相关性进行建模并设置权重，然后通过改进的最大均方差（MMD）方法将源域数据集的权重相加，对源域数据进行滤波，以更好地传输滤波后的数据。最后，基于 MEDA，他们提出了一种迁移学习方法，该方法在将数据投影到流形空间时，在降维过程中使用局部切线空间对齐（LTSA）来保持数据的原始空间结构，以提高分类精度。

Copula 理论

分类间MMD

图1

不同的源域被赋予不同的置信度，叠加上文中 Copula 相关系数的置信度来筛选数据迁移学习的源域。

流形空间对齐分布

在传统特征匹配的领域自适应方法中。条件分布和边际分布的重要程度是不相等的，在原始空间对齐分布会导致其特征的失真。这种效果并不理想。新的研究中提出了一种避免特征失真并定量估计边缘分布和条件分布的重要性的方法。首先，为了消除退化的特征，流形特征泛函 g(.)是在格拉斯曼流形 G(d)中研究的，引用测地流核(the geodesic flow kernel，GFK)来促进其域适应。