基于最大分类器差异域对抗方法的跨被试脑电情绪识别研究

情感脑机接口在人机交互领域中具有重要的应用价值.脑电(EEG)由于在时间分辨率、可靠性和准确性方面具备的优势,在情绪识别领域受到广泛关注.然而,脑电的非平稳特性和个体差异限制了情绪识别模型在不同时间、不同受试者之间的泛化.为解决跨被试、跨时间情绪分类的问题,本文提出了最大分类器差异域对抗方法(MCD_ DA),通过建立神经网络情感识别模型,将浅层特征提取器分别对抗域分类器和情感分类器,进而使特征提取器产生域不变表达,在实现近似联合分布适配的同时训练分类器学习任务特异性的决策边界.实验结果表明,在进行跨被试情绪识别时,相较于传统通用分类器58.23％的平均分类准确率,该方法的平均分类准确率达到了88.33％.本研究结果提高了情感脑机接口在实际应用中的泛化能力,为情感脑机接口走向实际应用提供了新的方法.