用于脑电图情绪识别的动态双域鉴别器对抗网络

《Cognitive Neurodynamics》：Dynamic bi-domain discriminator adversarial network for EEG emotion recognition

　　

摘要

在日常活动中，情绪不断产生。它们不仅影响人们的行为模式和决策思维，还会对身心健康产生影响。因此，基于脑电图（EEG）信号的情绪识别技术在人机交互、医疗健康以及智能驾驶等多个领域具有广阔的应用前景。为了解决EEG数据标注不足以及不同主体和不同时间段的EEG数据存在显著差异的问题，本文引入了域适应技术，以在无监督条件下实现跨域EEG情绪识别任务。针对现有域适应方法在减少域差异时未考虑全局域与子域不同权重的问题，本文提出了一种动态双域判别器对抗网络（DBDAN）。该模型首先构建特征提取器来提取EEG信号的低级域不变特征，再通过多分支的域特定特征提取器生成域特定特征。为降低域差异，通过双域判别器实现对全局域与子域的对抗学习。同时，引入动态因素来动态调整对抗学习过程，使模型能够在粗粒度对抗与细粒度对抗之间取得平衡，从而更精准地实现域适应。在SEED、SEED-IV和DEAP测试集上，该方法的分组准确率分别为89.43%、75.09%和63.42%。这些结果表明，我们的方法在所评估的EEG迁移学习基准方法中表现优异，也说明动态全局-子域对齐有助于跨域EEG情绪识别。