Apr, 2024

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

PDF
TL;DR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。
emotion decodingelectroencephalographyaffective computingmanifold-based domain adaptation with dynamic distributionbrain-computer interfaces
发现论文，激发创造
  • 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

  • 基于流形嵌入分布对齐的视觉领域自适应

    该论文提出了一种 Manifold Embedded Distribution Alignment (MEDA) 方法，它在 Grassmann 流型空间中通过结构风险最小化学习一个领域不变的分类器，同时进行动态分布对齐以定量评估边际和条件分布的相对重要性。该方法在视觉领域适应任务中显著提高了分类精度，是首个尝试用于流形领域适应的动态分布对齐的方法。

    Jul, 2018

  • 动态分布自适应的迁移学习

    本文提出了一种名为 DDA（动态分布适应）的新概念，可以对每个分布的相对重要性进行定量评估并解决传输学习问题，进而提出两种新的学习算法 MDDA 和 DDAN，得到了显著改善传输学习性能的结果。

    Sep, 2019

  • 面向主体不可知的情感识别

    本研究聚焦于情感表达的情感识别，旨在基于脑电信号在无主体环境下进行。我们提出了一种新颖的框架，基于元学习的增强型领域自适应方法，通过情感无关的脑机接口，使用迁移学习和元学习的方法来有效解决领域的分布偏移问题，并实验表明该方法可以与最先进的领域自适应方法达到相似的性能水平，同时避免了对额外计算资源的需求。

    Oct, 2023

  • 基于判别流形嵌入和对齐的无监督领域自适应

    该论文提出了一种使用 Riemannian 流形学习框架实现无监督域自适应的方法，通过软标签建立目标域上的概率判别准则，并将其扩展为全局逼近方案，利用流形度量对齐与嵌入空间兼容，同时导出理论误差界限，实现转移性和区分性的一致性，实验结果表明所提出的流形学习框架具有优越性。

    Feb, 2020

  • 判别式流形传播的无监督域适应

    提出了一种基于黎曼流形学习的概率判别标准，用于使用软标签在目标域上实现可转移性和可区分性，该方法可以处理许多不同的领域自适应问题，并通过大量实验展示出优越性。

    Aug, 2020

  • 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

    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。

    Jan, 2024

  • 基于脑启发的分布式记忆学习，用于高效特征无关的无监督域自适应

    通过分布式记忆学习机制，利用神经网络以及强化记忆的方式，提出了一种新的无梯度的快速领域适应机制，称为分布式记忆学习（DML），在跨域场景中以显著的性能提升和时间优化为特点。

    Feb, 2024

  • 使用通用深度域适应框架预热跨会话运动想象分类

    提出了一种用于跨会话 MI 分类的全新的深度域自适应 (SDDA) 框架，并应用于既有的人工神经网络中，以提高模型的泛化能力与分类准确率。通过两项 MI-EEG 公共数据集上的实验证明，所提出的 SDDA 框架能够显著提高 EEGNet 和 ConvNet 的 MI 分类准确率，在文献中优于现有的其他方法。

    Feb, 2022