세션 간 EEG 감정 인식을 위한 적응형 라벨 드래깅을 이용한 직교 반지도 회귀

전극 뇌파 측정(EEG) 신호는 뛰어난 시간 해상도, 휴대성 및 저비용의 장점으로 인해 감정 인식 분야에서 점점 더 많은 주목을 받고 있습니다. 항상 최소 제곱 회귀(LSR)는 분류 작업에 널리 사용되었습니다. 그러나 LSR 방법에는 성능을 제한하는 두 가지 문제가 존재합니다. 첫 번째 문제는 LSR 방법이 EEG 데이터가 보다 구별 가능한 정보를 유지하도록 만들 수 없다는 것입니다. 두 번째 문제는 다중 감정 분류를 위해 하드 이산 레이블을 회귀 목표로 사용하는 것이 부적절하다는 것입니다. 이러한 문제를 해결하기 위해 우리는 감정을 인식하기 위해 적응형 라벨 드래깅 모델(ASRLD)을 개발합니다. ASRLD는 계산 비용이 적은 닫힌 형태의 해를 얻을 수 있습니다. 게다가 공개 SEED-IV 데이터셋을 사용한 실험 결과는 1) 분류 정확도 면에서 7가지 방법과 비교할 때 ASRLD가 평균 정확도 77.96%, 80.20%, 81.45%로 가장 높은 성적을 달성한다는 것을 보여주고, 2) 각 샘플의 레이블 벡터를 수정하는 라벨 드래깅 기술이 클래스 간 거리를 효과적으로 확대할 수 있으며, 3) 학습된 변환 행렬을 기반으로 주요 EEG 주파수 밴드와 뇌 영역이 자동으로 식별되어 EEG 수집 장치의 하드웨어 설계를 단순화하는 이론적 기초를 제공합니다.