MMOC：基于多模型在线协作的自监督 EEG 情绪识别框架
信号处理
2025-09-03 v2
摘要
脑电图（EEG）情绪识别在人机交互中发挥着关键作用，尤其是在医疗和神经科学领域。虽然监督学习方法广泛使用，但依赖手动标注带来高成本并可能引入偏差。自监督学习（SSL）通过生成标签提供了有前景的替代方案。然而，EEG 信号的高主题变异性导致数据漂移显著，限制了自监督模型在未见主题上的泛化能力。传统领域适应（DA）方法在训练时需要访问目标域数据。虽然领域泛化（DG）可避免此限制，但常在处理复杂数据漂移方面不足，因对可能的目标分布覆盖范围有限。为解决这些挑战，本文提出了MMOC——一种具有多模型在线协作（MMOC）的自监督框架，以实现对未见数据的在线适应。MMOC采用多样化策略训练多个基模型，这些策略源于重建和对比学习，使每个模型都能发展出不同的泛化能力。在推理阶段，MMOC通过基于损失的路由机制动态激活每个测试样本最合适的模型，该机制评估对比损失和重建损失，实现对数据漂移的全面衡量。在结构和语义水平上进行双重考虑。在SEED 和 Dreamer 数据集上的实验结果表明，MMOC 实现了最先进的性能：在SEED 上达到85.39%，在Dreamer 的唤醒和情感维度分别达到68.77%和69.37%。MMOC有效缓解了主题间数据漂移，为实际的EEG情绪识别提供了实用解决方案。
引用
@article{arxiv.2507.03977,
title = {MMOC: Self-Supervised EEG Emotion Recognition Framework with Multi-Model Online Collaboration},
author = {Hanqi Wang and Yang Liu and Peng Ye and Liang Song},
journal= {arXiv preprint arXiv:2507.03977},
year = {2025}
}
备注
This manuscript submitted an incomplete version. The part about online fine-tuning was not integrated into the paper. This was overlooked by the writer