机构名称：
¥ 1.0
摘要 目的. 脑电图 (EEG) 情绪识别中的数据稀缺问题导致难以使用机器学习算法或深度神经网络构建高精度的情感模型。受新兴深度生成模型的启发，我们提出了三种增强 EEG 训练数据的方法，以提高情绪识别模型的性能。方法. 我们提出的方法基于两个深度生成模型，变分自编码器 (VAE) 和生成对抗网络 (GAN)，以及两种数据增强方式，即全部使用和部分使用策略。对于全部使用策略，所有生成的数据都会被增强到训练数据集中，而不会判断生成数据的质量；而对于部分使用策略，仅选择高质量数据并附加到训练数据集。这三种方法称为条件 Wasserstein GAN (cWGAN)、选择性 VAE (sVAE) 和选择性 WGAN (sWGAN)。主要结果. 为了评估这些提出方法的有效性，我们对两个用于情绪识别的公共 EEG 数据集（即 SEED 和 DEAP）进行了系统的实验研究。我们首先以两种形式生成逼真的脑电图训练数据：功率谱密度和差分熵。然后，我们用不同数量的生成逼真的脑电图数据扩充原始训练数据集。最后，我们训练支持向量机和具有快捷层的深度神经网络，使用原始和扩充的训练数据集构建情感模型。实验结果表明，我们提出的基于生成模型的数据增强方法优于现有的数据增强方法，如条件 VAE、高斯噪声和旋转数据增强。我们还观察到，生成的数据数量应小于原始训练数据集的 10 倍才能达到最佳性能。意义。我们提出的 sWGAN 方法生成的增强训练数据集显著提高了基于脑电图的情绪识别模型的性能。
利用深度生成模型增强基于脑电图的情绪识别的数据增强
主要关键词
相关文件推荐
