机构名称：
¥ 1.0
摘要：近年来，基于脑电图（EEG）的情绪识别引起了研究界越来越多的兴趣。EEG数据的弱信号、非平稳、多节律和多通道特性容易导致提取的EEG样本和特征在识别情绪状态时的贡献不同。然而，现有的研究要么没有同时考虑样本和特征重要性问题，要么只考虑了其中之一。在本文中，我们提出了一种称为sJSFE（半监督联合样本和特征重要性评估）的新模型，分别通过自步学习和特征自加权来定量测量样本和特征重要性。在SEED-IV数据集上的实验结果表明，通过同时挖掘样本和特征重要性可以大大提高情绪识别性能。具体来说，sJSFE 在三个跨会话识别任务中获得的平均准确率为 82.45%，分别比传统模型的结果高出 3.72% 和 7.21%，以及 10.47% 和 18.82%。此外，特征重要性向量表明 Gamma 频带贡献最大，前额叶、左/右颞叶和（中央）顶叶的大脑区域与情绪识别的相关性更高。样本重要性描述符表明，连续试验中视频类型的连续转换可能会削弱所收集 EEG 数据的特征标签一致性。
半结构化数据中的高效样本和特征重要性挖掘
主要关键词
相关文件推荐
