用于情绪识别的自监督 ECG 表征学习

我们利用一种自监督深度多任务学习框架来实现基于心电图（ECG）的情绪识别。所提出的方案包括两个阶段的学习：a) 学习 ECG 表征，b) 学习情绪分类。ECG 表征由一个信号变换识别网络学习得到。该网络从未标记的 ECG 数据中学习高层抽象表征。对 ECG 信号施加六种不同信号变换，并以变换识别作为前置任务。在前置任务上训练模型有助于网络学习跨不同数据集和不同情绪类别泛化良好的时空表征。我们将自监督网络的权重迁移至情绪识别网络，其中卷积层保持冻结，全连接层使用带标签的 ECG 数据训练。我们表明，相较于使用全监督学习训练的网络，所提方案显著提升了性能。在所用四个数据集的唤醒度、效价、情感状态与压力分类上均取得了新的最优结果。我们进行了大量实验，就使用多任务自监督结构而非单任务模型的影响，以及前置自监督任务所需的 optimum 难度水平提供了有趣的见解。