基于交叉主体EEG信号的情绪识别,使用对比学习
Ahmed Mohammed Alghamdi1, M Usman Ashraf2, Adel A Bahaddad3
1Department of Software Engineering, College of Computer Science and Engineering, University of Jeddah, 21493, Jeddah, Saudi Arabia. amalghamdi@uj.edu.sa.
Scientific reports
|August 3, 2025
概括
这项研究引入了一种新的跨主题对比学习 (CSCL) 方案,用于使用脑电图 (EEG) 大脑计算机接口 (BCI) 改进情绪识别. 该CSCL方法有效地解决了EEG信号的个体差异,增强了BCI应用的跨学科概括性.
科学领域:
- 情感计算是一种情感计算.
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 脑电图 (EEG) 信号对于在脑电脑接口 (BCI) 中客观地识别情绪至关重要.
- 基于EEG的情绪识别的一个重大挑战是不同受试者的信号变化.
- 现有的方法难以跨个体推广,限制了BCI应用程序的可靠性.
研究的目的:
- 开发一套尖端的跨主题对比学习 (CSCL) 方案,以实现强大的EEG信号表示.
- 在基于EEG的情绪识别中直接解决跨主体的概括挑战.
- 提高BCI在识别情绪方面的有效性,尽管存在个体差异.
主要方法:
- 引入了一个新的跨主题对比学习 (CSCL) 方案用于EEG信号表示.
- 在超标空间中使用情绪和刺激对比损失来捕捉复杂的模式.
- 设计的CSCL可以学习能够有效地区分来自不同大脑区域的信号的表示.
主要成果:
- 在五个数据集 (SEED,CEED,FACED,MPED) 上评估了CSCL方案,实现了高准确率 (例如,SEED上的97.70%).
- 在处理EEG信号的跨主体变异方面表现出强大的有效性.
- 展示了该方案在基于EEG的情绪识别系统中处理标签噪声的能力.
结论:
- 拟议的CSCL方案显著提高了基于EEG的情绪识别的跨学科概括性.
- 在BCI应用中,CSCL提供了一种有希望的方法来克服EEG信号的个体差异.
- 这种方法为情感计算提供了一个更可靠,更客观的系统.
