基于多源域自适应的跨被试情感脑电识别

【摘  要】在基于脑电信号的情感检测过程中，受被试间脑电信号的差异影响，传统的机器学习和深度学习方法不能很好地针对脑电数据建立通用的分类检测模型。针对此问题，将每个被试看作独立的域，建立针对脑电数据的多源域自适应的跨被试情感脑电识别模型，并在公开数据集上进行验证。验证结果表明，与单源域模型相比，提出的模型有更好的跨被试特征提取及分类能力。

【关键词】 多源域 ; 跨被试 ; 域自适应 ; 神经网络 ; 情感脑机接口 ; 脑电信号

1.引言

作为人类日常生活的基础情绪，在制定决策、人际沟通交流中都起着非常关键的作用，甚至会关系到人的精神健康状况。因此，通过对情绪进行分类研究，不仅能够增强人机情感交互，也能够为精神疾病的治疗与诊断提供量化评价辅助方法。近年来，情绪识别的研究方法主要包括基于语言的情绪分类、基于面部表情及姿态的情绪分类以及基于脑电信号（electroencephalography signal，EEG signal）的情绪分类等。由于情感的产生与大脑的许多内部和外部活动相关，与语言和面部表情及姿态相比，脑电信号更能够诚实地反映出与情感相关的状态变化，无法伪装。近年来，越来越多的研究者开始关注基于脑电信号的情感分析。情感脑机接口（affective brain-computer interface，aBCI）研究的正是如何从脑电信号中解析和识别用户的情感状态的。

脑电信号虽然可以真实地反映情感状态的变化，但由于它存在很强的个体间差异性，相同的情绪产生于不同的被试，脑电信号呈现的特征可能不尽相同。而传统的机器学习方法的前提是用于学习和测试的样本是服从独立同分布的，在跨