用于受试者无关脑电情绪识别的级联自监督学习
信号处理
2024-03-08 v1
摘要
基于脑电（EEG）的情绪识别在人机交互、医学和神经科学领域具有巨大的应用前景。尽管深度学习在该领域展现出潜力，但现有方法通常依赖大规模高质量标注数据集，限制了深度学习的性能。自监督学习通过自动生成标签提供了一种解决方案，但其跨受试者的泛化能力仍有待探索。为此，我们致力于提出一种具有更好跨受试者泛化能力的自监督学习范式。受近期结合低级与高级任务深度学习研究的启发，我们提出了一种用于脑电情绪识别的级联自监督架构。随后，我们引入了一项低级任务：时频重构（TFR）。该任务利用了脑电信号固有的时频关系。我们的架构将其与高级对比学习模块相结合，执行基于脑电的情绪识别自监督学习。在 DEAP 和 DREAMER 数据集上的实验表明，我们的方法优于类似工作。结果还突显了 TFR 任务的不可或缺性以及该方法对标签稀缺的鲁棒性，验证了所提方法的有效性。
引用
@article{arxiv.2403.04041,
title = {Cascaded Self-supervised Learning for Subject-independent EEG-based Emotion Recognition},
author = {Hanqi Wang and Tao Chen and Liang Song},
journal= {arXiv preprint arXiv:2403.04041},
year = {2024}
}