特征选择与融合是提升脑电信号情绪解码精度的重要手段之一。然而,当前脑电情绪解码中的特征选择方法常忽略了脑电信号内在数据结构的隐含信息。该文提出一种基于近邻传播聚类的多任务特征融合方法,通过L_(2,1)范数约束实现稀疏特征选择,同时利用图拉普拉斯正则化保持不同子类间的潜在关系。该算法在不揭示真实样本标签的情况下,在子任务空间有效融合脑网络空间拓扑结构信息和微分熵信息,为高精度脑电信号情绪解码提供具有更高情绪表征能力的特征。DEAP和SEED数据集以及本实验室数据集的分析结果表明,该文提出的方法能显著提高脑电情绪解码的精度。
刘柯;黄玉柱;邓欣;于洪;
重庆邮电大学计算机科学与技术学院,重庆400065
计算机与自动化
情感脑机接口;脑电情绪识别;脑网络;微分熵;近邻传播聚类;图拉普拉斯正则;多任务特征融合;稀疏特征选择
《智能系统学报》 2024 (003)
P.610-618 / 9
国家自然科学基金项目(62136002,61703065).
10.11992/tis.202206023
评论