跨语料 EEG 情感识别的特征对齐联合对比学习
内容提要
本文提出了多种基于脑电图的情绪识别方法，包括半监督双流自我注意对抗性图对比学习框架和多模式情感识别方法。这些方法在标记数据不足的情况下表现优越，通过特征融合和跨领域学习有效提高了情感识别的准确性和稳定性。
延伸解读
跨受试者标签稀缺的应对思路
文章指出跨受试者脑电情绪识别常面临标记数据不足的问题，并介绍了DS-AGC等半监督方法。这些方法通过对抗性图对比学习，在标签不完整条件下仍能取得优于现有方法的效果，为实际应用中标注成本高的问题提供了解决方向。
多模态融合与自监督学习的价值
ME-MHACL利用自监督对比学习从无标签生物电信号中提取特征，并结合多头注意机制进行融合，在DEAP和MAHNOB-HCI数据集上表现出良好的跨个体泛化能力。此外，音乐欣赏中脑电与音乐特征的多模态融合也优于单一模态，说明融合多源信息能提升情感识别准确性。
知识驱动与跨视角对比学习的泛化优势
KDC2框架通过模拟头皮和神经视图，应用对比学习捕捉神经特征，并建模同源神经信息一致性来提取不变和互补知识。实验表明，该方法在不同下游任务上优于现有方法，突出了神经知识支持的EEG表示在多种脑任务中的泛化能力。
个体差异与稳定性挑战
研究发现个体情感特征分布差异是影响情感识别稳定性的主要因素。为此提出的WCMF方法采用校正T检验加权提取，合理表征情感特征分布模式，在跨数据集任务中表现出更稳定、更好的识别能力，提示未来研究需重视个体差异的建模。
Q&A
什么是半监督双流自我注意对抗性图对比学习框架 (DS-AGC)？
DS-AGC 是一种用于跨受试者基于脑电图的情绪识别的框架，旨在解决标记数据不足的问题。
ME-MHACL 方法如何提高情感识别的性能？
ME-MHACL 通过自监督对比学习从无标签的生物电信号中学习特征表示，并使用多头注意机制进行特征融合。
如何解决个体情感特征分布差异问题？
通过基于加权通道 - 模型矩阵框架 (WCMF) 的方法，采用校正 T 检验加权提取情感特征分布模式。
多模态融合方法在情感识别中有什么优势？
多模态融合方法结合脑电图和音乐特征，能够提高情感识别的准确性，优于单一模态。
KDC2 框架的主要特点是什么？
KDC2 是一种知识驱动的跨视角对比学习框架，通过模拟头皮和神经视图提取有效表示，优于现有方法。
双模型方法在情感估计任务中的表现如何？
双模型方法结合序列和图像表示，在情感估计任务上取得了较高的稳定性，优于现有方法。
