Robust EEG-based Emotion Recognition Using an Inception and Two-sided Perturbation Model

自动情感识别技术利用脑电图（EEG）信号已经引起了广泛关注。尽管深度学习方法表现出强大的性能，但它们经常受到各种扰动的影响，比如环境噪声和对抗性攻击。本文提出了一种Inception特征生成器和双侧扰动（INC-TSP）方法，以增强脑-计算机接口中的情感识别。INC-TSP集成了Inception模块进行EEG数据分析，并采用双侧扰动（TSP）作为对抗输入扰动的防御机制。TSP将最坏情况的扰动引入模型的权重和输入中，增强模型对对抗性攻击的弹性。所提出的方法解决了在存在输入不确定性的情况下保持准确情感识别的挑战。我们在一个独立于受试者的三类情感识别场景中验证了INC-TSP，证明了其稳健的性能。

本文旨在提高脑机接口中情感识别的准确性，解决深度学习方法在面临各种扰动时的脆弱性问题。

本文提出了一种Inception特征生成器和双侧扰动（INC-TSP）方法，采用Inception模块进行EEG数据分析，并使用双侧扰动（TSP）作为防御机制，以增强模型对输入扰动的弹性。

实验验证了INC-TSP在三类情感识别场景中的鲁棒性表现。本文提出的方法可以应对输入不确定性带来的情感识别准确性下降问题。

最近相关研究包括使用EEG信号进行情感识别的深度学习方法，以及对抗性攻击下的防御机制。例如，一些研究使用自适应滤波器来减少环境噪声的影响，而另一些研究使用对抗性训练来提高模型的鲁棒性。