面向情绪识别中脑电特征分布不均匀的双策略训练方法

使用脑电进行情绪识别已经有了广泛的研究,但由于脑电的低信噪比、不平稳性以及受试者情绪表达方式的不同,不同受试者甚至单个受试者的脑电图情绪特征都会存在差异性,导致脑电样本在特征空间分布不均匀,容易出现模型泛化性能差的问题.为解决这一问题,该文提出了 一种结合提升算法(boost)和梯度下降法(gradient descent)的双策略训练方法交替更新脑电情绪识别模型,梯度下降法在模型推理过程中更新网络参数,使损失最小化,提升算法用于更新脑电样本权重.在DEAP数据集上的实验结果表明,该方法在效价、唤醒和优势度3个维度上的准确率分别为71.25％、71.48％和71.80％,且在跨被试数据集下通过数据驱动的方式有效调整了脑电样本特征的分布,使其分布更均匀,从而提高了情绪识别模型的泛化性能.