生理生物信号的对抗迁移学习
Abstract
生理状态评估的一个主要挑战是由跨用户或来自同一用户的不同记录会话的生物信号域不一致引起的转移学习问题。
提出一种迁移学习的对抗推理方法，从压力状态评估的生理生物信号数据中提取解纠缠的鲁棒表征。利用一个对抗网络和一个干扰网络，利用任务相关特征和个人识别信息之间的平衡，联合利用编码器对学习后的潜在表示进行操作和解算，然后将解算结果输入到识别分类器中。交叉学科转移评价的结果证明了所提出的对抗性框架的好处，从而表明其适应更广泛的学科的能力。
Method
模型提出的每一个框架都是由神经元构成的。
该编码器由两个线性层组成，每层100个单元。
对抗，分类器，Nuisance网络由一层的多层感知器加上RELU**函数构成。
数据库介绍
该数据库由来自20名健康受试者(S = 20)的4种不同压力状态(L = 4)的生理生物信号组成，包括身体压力、认知压力、情绪压力和放松。数据由无创腕式生物传感器采集，包含皮肤电活动(electrodermal activity, EDA)、温度、加速度、心率、动脉血氧水平，其中加速度由三个通道的数据组成。因此，数据集总共由7个通道的信号组成(C = 7)，我们将这些信号向下采样到1hz以校准所有数据源。对于每个压力状态，相应的5分钟的任务(即将300个时间样本T = 300)分配给受试者诱导应激水平。
则C = 7, T = 300, L = 4和S = 20