EEG-SCMM：面向跨语料库脑电情绪识别的软对比掩码建模

近年来，利用脑电图（EEG）信号进行情绪识别引起了越来越多的关注。然而，由于数据分布和记录条件的差异，现有方法在跨语料库设置中往往缺乏泛化能力，即在一个数据集上训练的模型在不重新训练的情况下直接应用于另一个数据集时表现不佳。为解决基于EEG的跨语料库情绪识别这一挑战，我们提出了一种名为软对比掩码建模（Soft Contrastive Masked Modeling, SCMM）的新颖框架。SCMM以情绪连续性理论为基础，整合了软对比学习与混合掩码策略，以有效捕捉情绪动态（指短期连续性）。具体而言，在自监督学习阶段，我们提出了一种软加权机制，为样本对分配相似度分数，从而实现对情绪转换的细粒度建模，并捕捉人类情绪的时间连续性。为了进一步增强表示学习，我们设计了一个相似度感知聚合器，该聚合器基于成对相似度融合来自语义相关样本的互补信息，从而提高了特征表达能力和重建质量。这种双重设计有助于获得更具判别性和可迁移性的表示，这对于鲁棒的跨语料库泛化至关重要。在SEED、SEED-IV和DEAP数据集上的大量实验表明，SCMM达到了最先进的（SOTA）性能，在同类和不同类跨语料库设置下，平均准确率比次优方法高出4.26%。源代码可在 https://github.com/Kyler-RL/SCMM 获取。