GMSS：基于图的多任务自监督学习用于脑电情绪识别
信号处理
2022-05-03 v1 人工智能
机器学习
摘要
以往的脑电（EEG）情绪识别依赖单任务学习，这可能导致过拟合且学到的情绪特征缺乏泛化性。本文提出一种用于 EEG 情绪识别的基于图的多任务自监督学习模型（GMSS）。GMSS 通过整合多个自监督任务（包括空间与频率拼图任务以及对比学习任务）来学习更具泛化的表示。通过同时学习多个任务，GMSS 可找到捕捉所有任务的表示，从而降低在原始任务（即情绪识别任务）上过拟合的可能。特别地，空间拼图任务旨在捕捉不同脑区的内在空间关系。考虑到频率信息在 EEG 情绪信号中的重要性，频率拼图任务的目标是探索对 EEG 情绪识别关键的频率带。为了进一步正则化学到的特征并鼓励网络学习内在表示，本文采用对比学习任务将数据变换映射到一个公共特征空间。所提 GMSS 的性能与几种流行的无监督与有监督方法进行比较。在 SEED、SEED-IV 与 MPED 数据集上的实验表明，所提模型在为 EEG 情绪信号学习更具判别性与泛化性的特征方面具有显著优势。
引用
@article{arxiv.2205.01030,
title = {GMSS: Graph-Based Multi-Task Self-Supervised Learning for EEG Emotion Recognition},
author = {Yang Li and Ji Chen and Fu Li and Boxun Fu and Hao Wu and Youshuo Ji and Yijin Zhou and Yi Niu and Guangming Shi and Wenming Zheng},
journal= {arXiv preprint arXiv:2205.01030},
year = {2022}
}