基于卷积联合适应网络的脑电信号情感识别

提出一种基于深度卷积联合适应网络（Convolutional neural network-joint adaptation network，CNN-JAN）的脑电信号（Electroencephalogram， EEG）情感识别模型。该模型将迁移学习中联合适应的思想融合到深度卷积网络中，首先采用长方形卷积核提取数据的空间特征，捕捉脑电数据通道间的深层情感相关信息，再将提取的空间特征输入含有联合分布的多核最大均值差异算法（Multi-kernel joint maximum mean discrepancy，MK-JMMD）的适配层进行迁移学习，使用MK-JMMD度量算法解决源域和目标域分布不同的问题。所提方法在SEED数据集上使用微分熵特征和微分尾端性特征分别进行情感分类实验，其中使用微分熵特征被试内跨试验准确率达到84.01%，与对比实验和目前流行的迁移学习方法相比，准确率进一步提高，跨被试实验精度也取得较好的性能，验证了该模型用于EEG信号情感识别任务的有效性。