机构名称：
¥ 2.0
背景：在基于脑电图的情绪识别研究中，一个常见但容易被忽视的情感重叠问题尚未引起足够的重视。在现实生活中，情感重叠是指人的当前情绪状态有时很容易受到其历史情绪的影响。在刺激诱发的脑电图采集实验中，由于连续试验中的休息间隔较短，神经反应的内部机制使得受试者不能轻松快速地切换情绪状态，这可能导致情感重叠。例如，即使我们正在看一部喜剧，因为之前刚看过一场悲剧，我们可能在某种程度上仍然处于悲伤的状态。在模式识别中，情感重叠通常意味着脑电图数据中存在特征标签不一致。新方法：为了减轻脑电图数据不一致的影响，我们引入一个变量来自适应地探索情绪识别模型开发中的样本不一致性。然后，我们提出了一种联合样本不一致性与特征重要性探索的半监督情感识别模型（SIFIAE）。据此提出了一种对SIFIAE模型的有效优化方法。结果：在SEED-V数据集上进行的大量实验证明了SIFIAE的有效性。具体来说，SIFIAE达到了69.10%，67.01%，71.5%，
SIFIAE：一种考虑 EEG 特征标签不一致的自适应情绪识别模型
主要关键词
相关文件推荐
