脳波感情認識のためのグループレベル刺激認識型自己教師ありソフト対照学習フレームワーク

科学分野:

• 神経科学
• 機械学習
• 感情コンピューティング

背景:

• 従来の脳波（EEG）感情認識法は、ラベル付きデータに大きく依存しており、実用的な応用を制限しています。
• 既存の対照学習アプローチは、異なる刺激間の感情的類似性を効果的にモデル化するのに苦労しています。
• EEGベースの感情認識を強化するための高度な自己教師あり技術の必要性があります。

研究 の 目的:

• 脳波感情認識のための新しいグループレベル刺激認識型自己教師ありソフト対照学習フレームワーク（GSCL）を提案する。
• 脳波感情認識におけるラベル付きデータへの依存性を低減する。
• 異なる刺激間の感情的類似性のモデリングを改善する。

主な方法:

• グループレベル刺激認識型自己教師ありソフト対照学習フレームワーク（GSCL）を開発しました。
• 同一刺激下での脳活動の一貫性に基づいて対照学習タスクを構築しました。
• サンプル間距離に基づいてネガティブサンプルペアの重みを適応的に調整するためのソフト割り当てメカニズムを組み込みました。
• 動的なデータ分布最適化のための学習可能なシャッフル分割データ拡張方法を設計しました。

主要な成果:

• DEAPデータセットで高い分類精度を達成：感情価で94.91％、覚醒度で95.29％、4クラス分類で92.78％。
• SEEDデータセットで3クラス分類で95.25％の精度を達成。
• 既存の手法と比較して優れた性能を示し、提案されたフレームワークの効果を強調しました。

結論:

• 提案されたGSCLフレームワークは、EEG感情認識の精度を大幅に向上させます。
• この手法は、EEGを使用したラベル効率的で堅牢な感情認識のための有望な方向性を提供します。
• GSCLは、感情コンピューティングアプリケーションのための自己教師あり学習に新たな洞察を提供します。