机构名称：
¥ 1.0
最新脑机接口的目的是通过为每个受试者定制识别器来实现准确的情绪识别。在机器学习领域，基于图的半监督学习 (GSSL) 因其直观且在情绪识别方面具有良好的学习性能而受到越来越多的关注。然而，现有的 GSSL 方法对噪声或基于异常脑电图 (EEG) 的数据很敏感或不够稳健，因为每个受试者在相同场景中可能呈现噪声或异常 EEG 模式。为了解决这个问题，在本文中，我们发明了一种基于 EEG 的情绪识别的可能性聚类促进半监督学习方法。具体而言，它限制每个实例具有与其局部加权均值相同的标签成员值，以提高识别方法的可靠性。另外，在目标函数中引入了关于模糊熵的正则化项，通过增加样本判别信息量来增强隶属函数的泛化能力，提高了方法对噪声和异常值的鲁棒性。在三个真实数据集（即DEAP、SEED和SEED-IV）上的大量实验结果表明，所提方法提高了基于脑电信号的情绪识别的可靠性和鲁棒性。
基于脑电图的情绪识别的可能性聚类促进半监督学习
主要关键词
相关文件推荐
