用于跨被试情绪识别的被试不变 EEG 表征对比学习
人机交互
2022-04-07 v2 机器学习
信号处理
神经元与认知
摘要
近年来，EEG 信号被报道对情绪识别具有信息性与可靠性。然而，情绪相关 EEG 信号的被试间变异性仍为基于 EEG 的情绪识别的实际应用带来巨大挑战。受近期关于被试间相关性的神经科学研究的启发，我们提出了一种用于被试间对齐的对比学习方法（CLISA）来解决跨被试情绪识别问题。对比学习通过最大化不同被试在接收相同情绪刺激而非不同情绪刺激时 EEG 信号表征的相似性，来最小化被试间差异。具体而言，应用卷积神经网络在对比学习中从 EEG 时间序列学习被试间对齐的时空表征。随后将这些对齐的表征用于提取微分熵特征以进行情绪分类。CLISA 在我们包含 80 名被试的 THU-EP 数据集和公开可用的包含 15 名被试的 SEED 数据集上取得了最先进的跨被试情绪识别性能。它能够泛化到测试中的未见被试或未见情绪刺激。此外，CLISA 学习到的时空表征可为人脑情绪处理的神经机制提供见解。
引用
@article{arxiv.2109.09559,
title = {Contrastive Learning of Subject-Invariant EEG Representations for Cross-Subject Emotion Recognition},
author = {Xinke Shen and Xianggen Liu and Xin Hu and Dan Zhang and Sen Song},
journal= {arXiv preprint arXiv:2109.09559},
year = {2022}
}
备注
23 pages, 13 figures, journal paper. IEEE Transactions on Affective Computing, 2022