面向异构数据集和范式的EEG基于情感识别的通用预训练模型
机器学习
2025-11-12 v1
摘要
EEG基于情感识别受到显著的数据集异构性（通道/主体可变性）的限制，阻碍了通用模型的发展。现有方法难以有效传递知识。我们提出了“一个模型胜任所有任务”，一个面向 disparate 数据集的EEG分析通用预训练框架。我们的范式将学习解耦为两个阶段：（1）通过自监督对比学习在单个通道上进行单变量预训练，由统一通道模式（Unified Channel Schema, UCS）实现，该模式利用通道联合（例如SEED-62ch、DEAP-32ch）；（2）使用新颖的“ART”（自适应抽样转换器）和“GAT”（图注意力网络）架构进行多变量微调，以捕获复杂的时空依赖关系。实验表明，通用预训练是一个essential的稳定器，防止在SEED（相对于scratch）中崩溃，并在DEAP（+7.65%）和DREAMER（+3.55%）上取得显著提升。我们的框架在所有within-subject基准测试中实现了新的SOTA性能：SEED（99.27%）、DEAP（93.69%）和DREAMER（93.93%）。我们还展示了在未见的DREAMER数据集上的SOTA cross-dataset transfer，分别以94.08%（intersection）和93.05%（UCS）Achieved，后者超过了within-domain pre-training基准。消融研究验证了我们的架构：GAT模块在高噪声DEAP数据集上比GCN提升+22.19%，且移除其导致性能灾难性下降-16.44%。本工作为更通用、可扩展且高效的多样化EEG分析任务的预训练模型铺平了道路。
引用
@article{arxiv.2511.08444,
title = {One Model for All: Universal Pre-training for EEG based Emotion Recognition across Heterogeneous Datasets and Paradigms},
author = {Xiang Li and You Li and Yazhou Zhang},
journal= {arXiv preprint arXiv:2511.08444},
year = {2025}
}