Improving EEG-Based Emotion Classification Using Conditional Transfer Learning论文解读

文章问题提出：情感分类需要每个人提供大量的校准数据但那是费时费力的，怎么才能不通过增加样本数据下提高检测的准确度？

文章方案：通过条件迁移学习来解决那些样本分类不好的个体，即从源域中选取与目标域相似的样本，组成新的源域从而提高检测的准曲率。

dataset: Oscar soundtrack EEG dataset.26个个体每个人有16段的30-s 30-channel

脑电实验和自我评价labels.

情感两分类：(积极、高兴VS消极、悲伤)

特征选择：ReliefF算法

每一类的预测分类：Gaussian Naïve Bayes (GNB)

源域：Ds          学习任务：Ts     TS：目标域个体         SSs:源域中存在的用作迁移和学习的个体

目标域：Dt       学习任务：Tt                                            TSs：目标域库

the condition T S 6= T T means either Y S 6= Y T or  P(Y S |X S ) 6= P(Y T |X T )：源域和目标域数据和标签皆不同。

何时迁移：当模型的准确度小于等于chance level

如何迁移：从源域库中选取最为相似的样本。个体特征相似性度量：ReliefF-sorted ，TL框架包括一组最相似的SS作为训练数据，以开发给定TS的新情绪分类模型。

迁移什么：对TS和SSs和特征进行迁移，将所选择的源域和目标域数据连在一起，形成通用信息丰富的特征空间。然后使用增强的训练数据和改进的特征空间来重建TS的情绪分类模型。

The TL steps in each LTO repetition are described as follows:

1、计算TS和SSs空间相似性.

用15次实验去形成目标域样本特征空间，计算目标域样本特征空间与SSn(25)中每个个体的相似性（皮尔逊相关系数）。

2、迁移与目标域数据最相似的个体

将TS的15个训练试验与O个最相似的SS（s）的数据试验合并，其中O是被选择的受试者的数量，然后使用增强的数据集（15 + O×16试验）重新形成 TS的特征空间使用ReliefF。

3、优化特征空间TS

为了在分类器建模期间丢弃类不平衡问题的影响，该步骤在增强训练试验中随机选择类平衡样本，重复500次，以试图产生最佳但公平的训练模型。 每次重复应用5倍交叉验证并添加一个特征，即，一次添加具有高ReliefF分数的一个特征，利用具有最大训练准确度的最佳特征子空间的方法。

4、用TS训练和测试迁移moudle

GNB模型通过增强和特征空间优化的数据试验进行了重新训练，并针对TS的脱节左侧试验进行了测试。

分类器采用 Gaussian Naïve Bayes (GNB)

迁移方案：