Jan, 2024

基于 Transformer 的特征生成的多源领域适应用于基于脑电情感识别的主体独立性

PDF
TL;DR本研究提出了一种基于变压器特征生成器的多源域适应方法（MSDA-TF），该方法通过捕获浅层空间、时间和频谱 EEG 数据表示的卷积层，以及自注意机制提取这些特征中的全局依赖关系，以解决不同主体之间的变化对传统深度学习算法在自动情感识别中的性能产生的影响问题。实验证明，MSDA-TF 在 SEED 数据集上取得了有希望的结果。
deep learning-based algorithmsautomated emotion recognitionelectroencephalogram (eeg) signalsmulti-source domain adaptationseed dataset
发现论文，激发创造
  • 基于知识蒸馏的轻量级领域对抗神经网络用于基于 EEG 的跨受试者情绪识别

    本研究提出基于知识蒸馏的轻量级 DANN 模型，引入教师模型来学习 EEG 的复杂时空动态和空间相关性，指导学生模型学习更难以区分的域不变特征，结合轻量级时空特征交互模块，达到跨主体情感识别的优异性能。

    May, 2023

  • 面向基于主题的领域自适应的面部表情识别

    本研究提出了一种基于主题的多源领域自适应方法，通过利用多个源主题数据集来适应一个深度面部表情识别模型到一个单一的目标个体，实现了优于现有方法的性能，同时能够适应多个主题的源领域。

    Dec, 2023

  • 基于 EEG 的视觉识别中的无源主体适应

    本研究通过分类器响应生成仿真源自体的 EEG 信号数据来解决当样本数据有限时个人生物数据 EEG 信号数据的隐私问题，提出了一种分类器数据生成的源无关学习方法并将其应用于面向主题适应的 EEG-ImageNet40 基准测试，这种方法在不依赖源数据的情况下表现出有前途的性能和稳定性。

    Jan, 2023

  • 语音情感识别的可迁移特征学习

    本文提出了一种基于卷积神经网络和长短记忆网络的深度学习架构，通过使用可转移的特征从多个源域自适应模型并识别不同情感领域的语音情感，实验结果表明，该方法提供了 4.3％至 18.4％的效果增益。

    Dec, 2019

  • 通过融合时频和空间表示改善基于 EEG 的情感识别

    该研究结合多个表示，使用多领域关注机制和跨领域特征融合方法构建了脑电情感识别网络，实验证明该网络优于其他现有方法，并实现了最新技术水平。

    Mar, 2023

  • 将对比学习融入多任务 Transformer 模型以实现有效的领域自适应

    提出一种新颖的领域适应技术，采用 SER 作为主任务、对比学习和信息最大化损失作为辅助任务的多任务框架，借助在大型语言模型上进行微调的 transformer 实现跨语料库情感识别的最新性能。

    Oct, 2023

  • 基于 Transformer 的无源域自适应

    本研究提出了一种基于 Transformer 的通用转换框架 TransDA，通过将 Transformer 作为注意力机制注入卷积网络中并针对目标伪标签进行自监督知识蒸馏方法，将模型的注意力集中于目标域的对象区域，提高了模型的泛化能力，并在三个领域自适应任务中获得了最先进的结果。

    May, 2021

  • 基于流形的动态分布方法改进的跨主体和跨会话基于脑电情感识别的非深度迁移学习

    提出一种名为 Manifold-based Domain adaptation with Dynamic Distribution（MDDD）的新型非深度转移学习方法，通过优化 Grassmann 流形空间，动态对齐源域和目标域，结合分类器学习和集成学习模块提高情感解码的应用效果和实用性。

    Apr, 2024

  • 基于动态领域适应的深度学习网络用于基于脑电信号的动作意象分类

    我们提出了一种基于动态领域自适应的深度学习网络 (DADL-Net)，通过 3D 卷积模块将脑电数据映射到三维几何空间，并学习其时空特征，利用空间通道注意机制加强特征，最终通过卷积模块进一步学习特征的时空信息。通过引入最大均值差异损失函数，以及对目标域数据的部分微调，解决了脑机接口中相邻通道的相关性表示和个体差异的问题，在 BCI 竞赛 IV 2a 和 OpenBMI 数据集上验证了该方法的性能，分别达到 70.42% 和 73.91% 的准确率。

    Sep, 2023

  • 基于 Transformer 的多源域自适应

    研究了大型预训练转换模型在无监督多源域自适应中的效果，发现领域对抗性训练对其有影响，但对表现影响不大，同时混合专家方法则显著提高了表现并比较了几种混合函数，包括一种基于注意力的新混合方法。

    Sep, 2020