典型文献
面向情绪识别中脑电特征分布不均匀的双策略训练方法
文献摘要：
使用脑电进行情绪识别已经有了广泛的研究,但由于脑电的低信噪比、不平稳性以及受试者情绪表达方式的不同,不同受试者甚至单个受试者的脑电图情绪特征都会存在差异性,导致脑电样本在特征空间分布不均匀,容易出现模型泛化性能差的问题.为解决这一问题,该文提出了 一种结合提升算法(boost)和梯度下降法(gradient descent)的双策略训练方法交替更新脑电情绪识别模型,梯度下降法在模型推理过程中更新网络参数,使损失最小化,提升算法用于更新脑电样本权重.在DEAP数据集上的实验结果表明,该方法在效价、唤醒和优势度3个维度上的准确率分别为71.25％、71.48％和71.80％,且在跨被试数据集下通过数据驱动的方式有效调整了脑电样本特征的分布,使其分布更均匀,从而提高了情绪识别模型的泛化性能.
文献关键词：
情绪识别;脑电;双策略训练;非均匀;特征分布
中图分类号：
作者姓名：
贾巧妹;胡景钊;郑佳宾;王晨;张丽丽;赵晨宇;吴东亚;冯筠
作者机构：
西北大学信息科学与技术学院,陕西西安 710127;新型网络智能信息服务国家地方联合工程研究中心,陕西西安 710127
文献出处：
引用格式：
[1]贾巧妹;胡景钊;郑佳宾;王晨;张丽丽;赵晨宇;吴东亚;冯筠-.面向情绪识别中脑电特征分布不均匀的双策略训练方法)[J].西北大学学报（自然科学版）,2022(04):552-559
A类：
双策略训练
B类：
中脑,特征分布,分布不均匀,训练方法,用脑,低信噪比,平稳性,情绪表达,表达方式,脑电图,情绪特征,特征空间,模型泛化性,泛化性能,boost,梯度下降法,gradient,descent,脑电情绪识别,识别模型,模型推理,推理过程,新网,网络参数,样本权重,DEAP,效价,优势度,跨被试,样本特征,非均匀
AB值：
0.342253
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
