基于改进MEDA算法的脑电情绪识别

• 作者: 何群 李冉冉 付子豪 江国乾 谢平
• 来源期刊: 仪器仪表学报
• 学科: 工学
• 关键词: 情绪识别 特征选择 迁移学习 流行嵌入分布对齐算法
• 年，卷（期）: 2021,（12）
• 所属期刊栏目: 生物信息检测|Bioinformation Detection Technology
• 页码范围: 157-166
• 页数: 10页
• 分类号: TH79
• 语种: 中文
• DOI: 10.19650/j.cnki.cjsi.J2108346

摘要

针对普通机器学习算法与迁移学习在应用方面的局限性,利用改进流形嵌入分布对齐算法(MEDA)算法解决跨被试情绪识别中准确率低的问题.其中MEDA通过流行特征变换来减小域之间的数据漂移,并能够自适应定量估计边缘分布和条件分布的权重大小.针对特征维度大且有可能存在不良特征的问题,提出改进MEDA算法,即引入改进最小冗余最大相关算法用于特征选择,并对多源域下的多组识别结果进行决策级融合,进一步提升迁移学习效果.在SEED数据集和实测数据对该算法验证,改进MEDA算法相比于支持向量机、迁移成分分析和联合分布适配算法,整体识别精度分别提升了 8.97％、4.00％、2.89％,改进的MEDA算法相比于改进前,每个被试识别准确率均有提升的同时整体识别提升3.36％,验证了该方法的有效性.