用于跨被试基于EEG的情绪识别的半监督双流自注意力对抗图对比学习
信号处理
2024-08-05 v2 人机交互
机器学习
摘要
脑电图(EEG)是一种用于情绪识别的客观工具，具有广阔的应用前景。然而，标注数据的稀缺仍是该领域的主要挑战，限制了基于EEG的情绪识别的广泛应用。本文提出一种半监督双流自注意力对抗图对比学习框架(称为DS-AGC)，以应对跨被试基于EEG的情绪识别中标注数据有限的挑战。DS-AGC框架包含两条并行流，用于提取非结构化和结构化EEG特征。非结构化流引入半监督多域自适应方法，以缓解有标注源域、无标注源域和未知目标域之间的分布差异。结构化流开发图对比学习方法，以半监督方式从多个EEG通道中提取有效的基于图的特征表示。此外，开发了自注意力融合模块用于特征融合、样本选择和情绪识别，其突出了与情绪更相关的EEG特征以及有标注源域中更接近目标域的数据样本。在两个基准数据库(SEED和SEED-IV)上采用半监督跨被试留一被试交叉验证评估方案的广泛实验表明，所提模型在不同不完整标注条件下优于现有方法(在SEED上平均提升5.83%，在SEED-IV上平均提升6.99%)，证明了其在解决跨被试基于EEG的情绪识别中标注稀缺问题的有效性。
引用
@article{arxiv.2308.11635,
title = {Semi-Supervised Dual-Stream Self-Attentive Adversarial Graph Contrastive Learning for Cross-Subject EEG-based Emotion Recognition},
author = {Weishan Ye and Zhiguo Zhang and Fei Teng and Min Zhang and Jianhong Wang and Dong Ni and Fali Li and Peng Xu and Zhen Liang},
journal= {arXiv preprint arXiv:2308.11635},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2304.06496