基于改进MEDA算法的脑电情绪识别

针对普通机器学习算法与迁移学习在应用方面的局限性,利用改进流形嵌入分布对齐算法(MEDA)算法解决跨被试情绪识别中准确率低的问题。其中MEDA通过流行特征变换来减小域之间的数据漂移,并能够自适应定量估计边缘分布和条件分布的权重大小。针对特征维度大且有可能存在不良特征的问题,提出改进MEDA算法,即引入改进最小冗余最大相关算法用于特征选择,并对多源域下的多组识别结果进行决策级融合,进一步提升迁移学习效果。在SEED数据集和实测数据对该算法验证,改进MEDA算法相比于支持向量机、迁移成分分析和联合分布适配算法,整体识别精度分别提升了8.97%、4.00%、2.89%,改进的MEDA算法相比于改进前,每个被试识别准确率均有提升的同时整体识别提升3.36%,验证了该方法的有效性。