子域自适应网络跨被试情绪识别算法

为解决由于脑电信号（EEG）的非平稳性及个体差异性造成的情绪识别模型在不同时间、不同被试间泛化性能低的问题,提出全局域适应与相关子域自适应串联系统（SS_GDAN_RSAN）模型来实现跨被试的情感识别。将整个情感识别模型分为特征提取器、全局域分类器和子域域分类器。首先在浅层神经网络中由特征提取器和全局域分类器产生域不变表达,通过最小化源域数据分类损失及源域与目标域数据的分布差异损失进行全局域自适应;其次在深层神经网络中,基于局部最大平均差异度量源域和目标域中相关子域数据的分布差异,通过最小化源域数据分类损失和子域自适应损失训练子域域分类器,进而捕获每个类别的细粒度信息实现子域自适应。实验结果表明SS_GDAN_RSAN算法简单有效,在多对一的跨被试迁移实验中识别率达到84.05%±5.91%,在单被试跨时间迁移实验中识别率达到91.66%±7.32%。与传统分类器模型相比,SS_GDAN_RSAN对跨被试、跨时间情绪分类任务泛化能力的提高取得显著效果。