基于权重的通道模型矩阵框架为基于 EEG 的跨数据集情绪识别提供合理解决方案

跨数据集情绪识别作为基于 EEG 的情感计算领域中一项极具挑战性的任务，受多种因素影响，导致通用模型产生不尽人意的结果。面对缺乏 EEG 信息解码研究的现状，我们首先通过样本空间可视化、样本聚集现象量化以及五个公开数据集上的能量模式分析，分析了不同 EEG 信息（个体、会话、情绪和试次）对情绪识别的影响。基于这些现象与模式，我们提供了各类 EEG 差异的处理方法与可解释工作。通过对情绪特征分布模式的分析，发现了个体情绪特征分布差异（IEFDD），其也被认为是情绪识别稳定性的主要因素。在分析了受 IEFDD 困扰的传统建模方法的局限性后，提出了基于权重的通道模型矩阵框架（WCMF）。为合理刻画情绪特征分布模式，设计了四种权重提取方法，其中最优者为校正 T 检验（CT）权重提取方法。最后，WCMF 的性能在模拟不同实际场景的两类跨数据集任务实验中得到验证，结果表明 WCMF 具有更稳定且更优的情绪识别能力。