EED-CL：対照学習を用いた拡張EEGデフォーマーによる頑健な感情認識

科学分野:

• 神経科学
• 機械学習
• 信号処理

背景:

• 脳波（EEG）信号からの感情認識は、複雑な脳活動パターンと個人差のために困難です。
• 既存の方法は、EEGデータに固有の時空間的ダイナミクスと被験者間のばらつきに対処するのに苦労しています。

研究 の 目的:

• EEG信号を用いた正確な感情認識のための頑健でスケーラブルなフレームワークを開発すること。
• 現在のモデルが複雑なEEGデータと限られたラベル付きサンプルを処理する上での限界に対処すること。

主な方法:

• 対照学習（CL）を備えた拡張EEG-Deformer（EED）を統合したEED-CLフレームワークを提案しました。
• 効率的な時空間的特徴抽出のために、デプスワイズ分離可能畳込みエンコーダを採用しました。
• マルチスケール時間パターンキャプチャのために、階層的粗-中-微細（HCMFT）トランスフォーマーを利用しました。
• ノイズを低減し特徴を洗練するために、注意密集情報浄化（ADIP）モジュールを組み込みました。
• 限られたラベル付きデータで効果的な特徴学習のために、CLベースの事前学習を活用しました。

主要な成果:

• EEDモデルは、EEGベースの感情認識において従来のモデルを上回りました。
• EED-CLフレームワークは、特にラベル制約のある条件下で顕著な改善を示しました。
• EED-CLは、被験者間のばらつきやノイズに対して強い頑健性を示し、わずかなラベル付きサンプルで安定した分類を保証しました。

結論:

• EED-CLフレームワークは、感情認識を強化するためにマルチスケール時空間EEGパターンを効果的にキャプチャします。
• このアプローチは、データが限られており、ばらつきが高い場合でも、EEGベースの感情認識のためのスケーラブルで信頼性の高いソリューションを提供します。