Jul, 2022

基于自监督分组半月板对比学习的基于脑电的情绪识别

PDF
TL;DR本文提出了基于 SGMC 自监督分组减数对比学习框架的方法，采用 Meiosis 数据增强技术对基于同一情感视频刺激的人群 EEG 信号进行提取特征，使用对比学习来最大化不同组之间相似性，并在 DEAP 和 SEED 数据集上取得高准确性，同时有效地解决了有限标签的问题。
eeg-based emotion recognitionself-supervised learningcontrastive learninglimited labelgroup-level feature representation
发现论文，激发创造
  • 基于多模态电生理多头注意力对比学习的情感识别

    我们提出一种基于自监督对比学习的多模式情感识别方法 ME-MHACL，通过从无标签的生物电信号中学习有意义的特征表示，并使用多头注意机制进行特征融合以提高识别性能。在 DEAP 和 MAHNOB-HCI 两个公开数据集上的实验结果表明，我们的方法在情感识别任务中表现优于现有基准方法，并具有良好的跨个体泛化能力。

    Jul, 2023

  • 半监督双流自注意对抗图对比学习用于跨主体基于脑电的情绪识别

    本文提出了一种半监督的双流自我注意对抗性图对比学习框架 (DS-AGC)，用于解决跨受试者基于脑电图的情绪识别中标记数据不足的挑战，并通过多个实验表明该模型在不完整标签条件下优于现有方法，具有有效解决跨受试者基于脑电图的情绪识别中标签稀缺问题的效果。

    Aug, 2023

  • GMSS: 面向 EEG 情感识别的基于图的多任务自监督学习

    本文提出了基于多任务自监督学习的图形模型 (GMSS) 来进行 EEG 情感识别，该模型可以从多个自监督任务中学习出更通用的表示形式，包括空间和频率拼图任务以及对比学习任务，该模型在多项数据集上的表现均优于其他无监督和有监督的方法。

    Apr, 2022

  • 一种基于监督信息增强的多粒度对比学习框架在基于脑电的情感识别中的应用

    通过引入一种新的基于 EEG 的情绪识别方法，本研究提出了一种名为 SICLEER 的监督信息增强对比学习框架。通过多粒度对比学习，SICLEER 创建了稳健的 EEG 上下文表示，提高了情绪识别的准确性。与现有方法不同，本研究提出了一种联合学习模型，结合了自监督对比学习损失和有监督分类损失。该模型优化了两个损失函数，捕捉了特定于情绪检测的微妙 EEG 信号差异。大量实验证明了 SICLEER 在 SEED 数据集上相对于现有方法的稳健性和优越性能。此外，本研究分析了电极的性能，强调了情绪检测中中央前额和颞叶脑区 EEG 信号的重要性。本研究提供了一种普适的方法，对于不同的 EEG 分类任务具有潜在的益处。

    May, 2024

  • 基于互相交叉注意机制的特征融合用于 EEG 情绪识别

    我们提出了一种名为 Mutual-Cross-Attention（MCA）的新颖有效的特征融合机制，结合特殊定制的 3D 卷积神经网络（3D-CNN），该方法巧妙地发现了 EEG 数据中时域和频域特征之间的互补关系，并且通过新设计的 Channel-PSD-DE 3D 特征在 DEAP 数据集上获得了 99.49%（愉悦度）和 99.30%（唤醒度）的准确率。

    Jun, 2024

  • 基于自监督学习的基于心电图的情感识别

    使用自我监督学习的心电图基于情感识别系统在分类唤醒度和价值评分方面表现出色，并且使用未标记的数据帮助该模型学习心电图特征流形。

    Oct, 2019

  • 功能图对比学习揭示了基于刻板印象的压力因素引发的情绪传染

    通过情感传染的研究并结合脑电图扫描技术，该论文揭示了情感传染与认知功能之间复杂的相互作用，特别关注女性对协作解决问题时的刻板印象压力条件下的影响。

    Aug, 2023

  • 利用迁移学习从 EEG 中进行情感检测

    本研究使用 Resnet50 作为基本模型和 Mean Phase Coherence（MPC）和 Magnitude Squared Coherence（MSC）的组合来识别情绪，结果表明该方法在情感分类方面很有前途。

    Jun, 2023

  • 自监督的心电图表征学习用于情感识别

    本研究通过自监督深度多任务学习框架，利用信号变换识别网络学习心电图 (ECG) 表示，进而进行基于 ECG 的情感识别，结果显示该方案在情感分类领域取得显著表现，并针对自监督的多任务结构与预训练任务难度的影响进行了深入研究。

    Feb, 2020

  • 基于图对比学习的双阶段多模态情感识别模型

    我们提出了一种基于图形对比学习的两阶段情感识别模型（TS-GCL），通过将多模态数据与其他结构引入图形对比学习（GCL）策略，来学习模态内部和模态之间的相似性和差异性，并且通过两次使用 MLP 来实现最终的情感分类，实验证明，TS-GCL 在 IEMOCAP 和 MELD 数据集上相对于以往的方法具有卓越性能。

    Jan, 2024