换一批摘要现有脑电情绪识别中的域适应方法利用源域数据及其特征分布来训练模型,不可避免地需要频繁访问源域,可能会导致源域受试者的隐私信息泄露.针对该问题,本研究提出一种基于高斯混合模型、核范数最大化和Tsallis熵的无源域适应(GNTSFDA)脑电情绪识别方法.首先,基于源域数据和本研究所提出的CNN和Transformer特征混合(CTFM)网络,利用交叉熵损失训练得到源域模型;然后,通过高斯混合模型聚类生成目标域数据的伪标签以构建分类损失;最后,基于伪标签和分类损失在目标域数据上对源域模型再训练以更新其参数,从而得到目标域模型,训练过程中还利用核范数最大化损失来提升模型预测的类判别性和多样性,同时利用Tsallis熵损失来减少模型预测的不确定性.GNTSFDA方法采用留一被试交叉验证的实验范式分别在SEED(源域14个受试者,目标域1个受试者)、SEED-Ⅳ(源域14个受试者,目标域1个受试者)和DEAP(源域31个受试者,目标域1个受试者)公开数据集上进行了实验.结果显示,在3个数据集上,目标域模型情绪识别的准确率分别为80.20％、61.20％和58.89％,相较于源域模型分别提升8.98％、7.72％和6.54％.GNTSFDA方法仅需要访问源域模型参数,而不是源域,从而有效地保护了源域受试者的隐私信息,在脑电情绪识别的实际应用中具有重要意义.
更多相关知识
关键词
脑电信号情绪识别无源域适应隐私保护electroencephalogram(EEG)emotion recognitionsource-free domain adaptationprivacy-preserving
分类号
R318（医用一般科学）
栏目名称
DOI
10.3969/j.issn.0258-8021.2024.02.001
发布时间
2024-06-07（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览15
- 被引4
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
