MDDD: Manifold-based Domain Adaptation with Dynamic Distribution for Non-Deep Transfer Learning in Cross-subject and Cross-session EEG-based Emotion Recognition

要約

脳波検査 (EEG) ベースの感情的な脳とコンピューターのインターフェイスを使用した感情のデコードは、感情コンピューティングの分野の重要な領域を表します。
本研究では、動的分散によるマニホールドベースのドメイン適応 (MDDD) と呼ばれる、新しい非深層転移学習方法を提案します。
提案された MDDD には、多様体特徴変換、動的分布調整、分類器学習、アンサンブル学習の 4 つの主要モジュールが含まれています。
データは最適なグラスマン多様体空間に変換され、ソース ドメインとターゲット ドメインの動的な位置合わせが可能になります。
このプロセスでは、重要性に応じて周辺分布と条件付き分布の両方に優先順位が付けられ、さまざまな種類のデータにわたる適応効率が向上します。
分類器の学習では、構造的リスク最小化の原理が統合され、堅牢な分類モデルが開発されます。
これは、分類器を繰り返し改良する動的分布調整によって補完されます。
さらに、アンサンブル学習モジュールは、最適化プロセスのさまざまな段階で取得された分類器を集約し、分類器の多様性を活用して全体的な予測精度を高めます。
実験結果は、MDDD が従来の非ディープラーニング手法を上回り、平均 3.54% の改善を達成し、ディープラーニング手法と同等であることを示しています。
これは、MDDD が現実世界のシナリオにおける aBCI の有用性と適用性を高めるための有望な方法である可能性があることを示唆しています。

要約(オリジナル)

Emotion decoding using Electroencephalography (EEG)-based affective brain-computer interfaces represents a significant area within the field of affective computing. In the present study, we propose a novel non-deep transfer learning method, termed as Manifold-based Domain adaptation with Dynamic Distribution (MDDD). The proposed MDDD includes four main modules: manifold feature transformation, dynamic distribution alignment, classifier learning, and ensemble learning. The data undergoes a transformation onto an optimal Grassmann manifold space, enabling dynamic alignment of the source and target domains. This process prioritizes both marginal and conditional distributions according to their significance, ensuring enhanced adaptation efficiency across various types of data. In the classifier learning, the principle of structural risk minimization is integrated to develop robust classification models. This is complemented by dynamic distribution alignment, which refines the classifier iteratively. Additionally, the ensemble learning module aggregates the classifiers obtained at different stages of the optimization process, which leverages the diversity of the classifiers to enhance the overall prediction accuracy. The experimental results indicate that MDDD outperforms traditional non-deep learning methods, achieving an average improvement of 3.54%, and is comparable to deep learning methods. This suggests that MDDD could be a promising method for enhancing the utility and applicability of aBCIs in real-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google