SS-EMERGE - 自主监督增强多维情感识别使用GNN用于EEG的增强
Chirag Ahuja1,2, Divyashikha Sethia3
1Department of Computer Science Engineering, Delhi Technological University, Rohini, Delhi, 110042, Delhi, India. cahuja1992@gmail.com.
Scientific reports
|April 24, 2025
概括
本研究介绍了使用图形神经网络 (SS-EMERGE) 进行多维情感识别的自我监督增强,以改善电脑图 (EEG) 情感识别. 通过使用最小的标记数据,SS-EMERGE实现了高精度,在跨主题任务中表现优于传统方法.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 电脑电图 (EEG) 信号对情绪识别构成挑战,原因是信号噪声比较低和高频特征.
- 现有的自主监督学习 (SSL) 方法在跨主题EEG情感识别任务中通常表现不佳,而完全监督的技术则表现不佳.
研究的目的:
- 引入一种新的混合SSL框架,SS-EMERGE,旨在增强跨主体基于EEG的情绪识别.
- 从EEG数据中提高情绪识别的准确性和效率,特别是当标记数据稀缺时.
主要方法:
- 开发了一种混合SSL框架 (SS-EMERGE),用于时间特征集成因果卷积,用于空间建模的图形注意力转换器 (GAT) 和用于光谱分析的光谱嵌入.
- 在预训练中采用了基于变的对比学习,然后用最小的标记数据进行微调,以丰富数据集的特异性.
- 使用LOSO交叉验证来进行强大的绩效评估.
主要成果:
- 在SEED数据集上,SS-EMERGE实现了92.35%的高LOSO精度,在SEED-IV数据集上达到81.51%的高LOSO精度.
- 在 SEED 和 SEED-IV 数据集组合上预先训练的基础模型表现出与单个模型相比的性能.
- 该框架有效地利用未标记的数据来改善EEG情绪识别.
结论:
- 通过在有限的标记数据中实现高精度,SS-EMERGE显著提升了基于EEG的情绪识别.
- 拟议的框架为开发更强大,更普遍的情绪识别系统提供了一个有希望的方向.
- 基础模型方法显示了EEG分析中更广泛应用的潜力.
