基于自监督群体减数对比学习的脑电情绪识别
信号处理
2022-08-03 v2 人工智能
机器学习
神经与进化计算
摘要
近年来，基于EEG的情绪识别进展受到了人机交互与认知科学领域的广泛关注。然而，如何利用有限标签识别情绪已成为新的研究与实用瓶颈。为解决该问题，本文提出一种基于人类刺激一致性EEG信号的自监督群体减数对比学习框架（SGMC）。在SGMC中，开发了一种受遗传学启发的新颖数据增强方法，称为减数（Meiosis）。它利用一个群体内EEG样本间刺激的对齐，通过配对、交叉交换和分离来生成增强群体。该模型采用群体投影器从同一情绪视频刺激触发的群体EEG样本中提取群体级特征表示。随后采用对比学习来最大化具有相同刺激的增强群体的群体级表示之间的相似性。SGMC在公开可用的DEAP数据集上取得了最先进的情绪识别结果，在效价和唤醒维度上准确率分别为94.72%和95.68%，并在公开SEED数据集上达到具有竞争力的性能，准确率为94.04%。值得注意的是，SGMC即使在使用有限标签时也表现出显著性能。此外，特征可视化结果表明，该模型可能已学习到视频级情绪相关特征表示以改善情绪识别。并在超参数分析中进一步评估了群体大小的影响。最后，进行了对照实验和消融研究以检验架构的合理性。代码已公开在线提供。
引用
@article{arxiv.2208.00877,
title = {Self-supervised Group Meiosis Contrastive Learning for EEG-Based Emotion Recognition},
author = {Haoning Kan and Jiale Yu and Jiajin Huang and Zihe Liu and Haiyan Zhou},
journal= {arXiv preprint arXiv:2208.00877},
year = {2022}
}
备注
14 pages, 11 figures