Core Concepts
提案手法MDDDは、EEGデータの非定常性と個人差を考慮し、マニフォールド特徴変換と動的分布整合を組み合わせることで、被験者間および被験者内セッション間の感情認識精度を向上させる。
Abstract
本研究では、EEGを用いた感情認識における非定常性と個人差の問題に取り組むため、Manifold-based Domain adaptation with Dynamic Distribution (MDDD)と呼ばれる新しい非深層学習型ドメイン適応手法を提案した。
MDDDは以下の4つのモジュールから構成される:
マニフォールド特徴変換: TCAを用いて低次元特徴空間に変換し、さらにGrassmann多様体上に写像することで、ソースドメインとターゲットドメインの特徴分布の差を縮小する。
動的分布整合: マージナル分布とコンディショナル分布の重要度を動的に調整することで、ドメイン間の分布差をより効果的に低減する。
分類器学習: 構造リスク最小化と分布整合を組み合わせ、反復的に分類器を最適化する。
アンサンブル学習: 反復学習過程で得られた複数の分類器の結果を統合し、より堅牢で信頼性の高い分類性能を実現する。
提案手法MDDDは、SEED、SEED-IVデータベースを用いて評価された。被験者間単一セッションおよび被験者間複数セッションの2つの検証プロトコルで検証した結果、従来の非深層学習手法に比べて平均3.54%の精度向上を達成し、深層学習手法と同等の性能を示した。これにより、MDDDがaBCIの実用化に向けて有望な手法であることが示された。
Stats
EEGデータは非定常性と個人差が大きく、従来の機械学習手法では被験者間での汎化性が低い
EEGデータのサンプル数が少なく、大量の教師データを必要とする深層学習手法の適用が困難
提案手法MDDDは、マニフォールド特徴変換と動的分布整合により、被験者間および被験者内セッション間の感情認識精度を平均3.54%向上させた
Quotes
"EEG信号は非定常性と個人差が大きく、従来の機械学習手法では被験者間での汎化性が低い"
"EEGデータのサンプル数が少なく、大量の教師データを必要とする深層学習手法の適用が困難"
"提案手法MDDDは、マニフォールド特徴変換と動的分布整合により、被験者間および被験者内セッション間の感情認識精度を平均3.54%向上させた"