May, 2024

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

PDF
TL;DR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。
supervised info-enhanced contrastive learningeegemotion recognitioncontextual representationsseed dataset
发现论文，激发创造
  • 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

  • 基于语义感知的课程学习在脑电图到文本生成中的对比学习

    本文介绍了使用课程多义对比学习策略来降低脑电信号与自然语言文本之间差异的挑战，其在多种模型和架构上均表现出优秀的实验结果并取得最新的最优结果，可广泛应用于单一对象和资源匮乏的情况，并且其在零样本学习方面具有鲁棒性。

    Jan, 2023

  • 基于自监督分组半月板对比学习的基于脑电的情绪识别

    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

  • 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

  • SSLCL: 一个高效的模型无关的自监督对比学习框架，用于对话情感识别

    利用监督对比学习的高效模型无关框架 SSLCL，通过将离散标签转化为密集嵌入，同时最大化样本特征与其对应的真实标签嵌入的相似性，并最小化样本特征与不同类别标签嵌入的相似性，从而实现在情感识别任务中提高性能的目标。

    Oct, 2023

  • 个体间自然神经科学的共享脑电时空表征对比学习

    利用对比学习的表现力，本研究通过 Electroencephalogram (EEG) 技术构建了一种共享时间空间脑电图（EEG）表示的通用框架，被称为 CL-SSTER。通过在不同个体之间最大化相似度的神经网络，CL-SSTER 能产生可靠的空间和时间模式，并有助于识别自然神经科学中跨个体共享的神经表示。

    Feb, 2024

  • 利用时空特征从 EEG 信号进行跨主体情感识别

    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

  • 多模态情绪阅读器：预训练模型增强跨主体情绪识别

    基于脑电图 (EEG) 的情绪识别引起了重要关注，在神经信号处理和情感计算等领域有了多样化的发展。然而，个体的独特脑解剖结构导致不可忽视的自然差异，在主题间情绪识别中存在挑战。为了克服这些限制，我们开发了一个基于预训练模型的多模式情绪识别器，利用脑信号建模和空间 - 时间注意机制来学习通用的脑电图表示，并在不同维度和模态中最大化功能的优势。广泛的公共数据集上的实验证明了情绪识别器在跨主题情绪识别任务中的卓越性能，优于现有方法。此外，该模型从注意力的角度进行了剖析，为神经信号处理领域的情感研究提供了有价值的洞察。

    May, 2024

  • 对话情绪识别中的聚类级对比学习

    提出了一种低维度的监督聚类级对比学习（SCCL）方法，将高维度的语义空间转换为三维的情感表示空间（VAD），通过聚类对比学习来融合可量化的情绪原型，利用预先训练的知识适配器来丰富上下文和模拟对话，从而在不同的数据集上实现了新的最先进的情感识别结果。

    Feb, 2023

  • 跨语料 EEG 情感识别的特征对齐联合对比学习

    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