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。

Jul, 2022

本研究提出了一种新颖的联合对比学习框架与特征对齐模型（JCFA Model），用于解决跨语料库的基于脑电图（EEG）的情感识别问题。在两个主要阶段中，JCFA Model 通过联合领域对比学习策略，在无需标记数据的情况下，提取每个 EEG 样本的稳健的基于时间和频率的嵌入，并将其在共享的潜在时间 - 频率空间中进行对齐。随后，在与下游任务结合时，通过考虑脑电图电极之间的结构连接，进一步提高了模型的能力，适用于情感的检测和解读。大量的实验结果表明，所提出的 JCFA Model 在两个公认的情感数据集上实现了最先进的性能，其在跨语料库的 EEG 情感识别任务中的平均准确率提高了 4.09%。

Apr, 2024

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

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

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

通过使用 EEG 信号和 CNN 层，本文提出了一种易于实现的情感识别模型，使用 DENS 数据集进行评估，并在情感极性评分上达到 73.04％的准确性。

May, 2023

文章使用一种新方法，通过提高来自不同参与者但属于相同类的特征的相似性，从而实现学习主体无关的表示，进而在训练中仅使用少数样本即可准确预测基于 EEG 信号的视觉刺激类别。在有限数据情况下，即使采用了严格的问题设置，该方法在 EEG-ImageNet40 基准上实现了令人满意的表现，即面向目标主体每类只使用 5 个 EEG 样本时：72.6％ / 91.6％的 top-1 /top-3 测试精度。

Feb, 2022

本文提出了一种基于神经知识支持的 EEG 表示的知识驱动的跨视角对比学习框架 (KDC2)，该方法通过模拟头皮和神经视图来提取有效表示，应用不同视角的对比学习和增强方法来捕捉神经特征，并通过建模同源神经信息一致性理论来提取不变和互补的神经知识生成联合表示，实验结果表明该方法在不同的下游任务上优于现有方法，突出了神经知识支持的 EEG 表示在各种脑任务中的优越泛化能力。

Sep, 2023

本文提出了一种双模型方法，结合了基于序列的 EEG 幅值表示和基于图像的表示。采用基于显著性分析的图像模型，促进了两个模型部分的联合学习。在四个公开数据集上进行评估，结果表明本方法优于现有方法，在情感估计任务上取得了较高的稳定性。

Jan, 2022

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