基于自適應(yīng)半監(jiān)督圖對比表示學(xué)習(xí)的魯棒情緒識別方法，該方法利用腦電圖（EEG）數(shù)據(jù)
《Knowledge-Based Systems》：Adaptive Semi-Supervised Graph Contrastive Representation Learning for Robust Emotion Recognition Using Electroencephalogram
【字體：
大
中
小
】
時間：2026年03月01日
來源：Knowledge-Based Systems 7.6
編輯推薦：
EEG情緒識別研究提出自適應(yīng)半監(jiān)督圖對比學(xué)習(xí)框架ASGCRL，通過動態(tài)構(gòu)建多視圖EEG圖、自適應(yīng)增強策略和一致性正則化有效利用少量標(biāo)注數(shù)據(jù)，顯著提升性能并驗證在四個公共數(shù)據(jù)集上的優(yōu)勢。
金大賢 | 崔英碩
韓國首爾nowon區(qū)Kwangwoon路20號，Kwangwoon大學(xué)電子與通信工程系，郵編01897
摘要
由于大腦活動的復(fù)雜性和變異性，使用腦電圖（EEG）信號進行情感識別仍然具有挑戰(zhàn)性。最近基于圖的方法通過建模復(fù)雜的EEG關(guān)系顯著提高了性能。然而，大多數(shù)現(xiàn)有方法依賴于靜態(tài)圖，這些靜態(tài)圖往往無法捕捉EEG的動態(tài)和非平穩(wěn)特性，并且未能充分利用豐富的未標(biāo)記數(shù)據(jù)，這限制了在EEG噪聲較大和標(biāo)記過程成本較高的情況下模型的魯棒性。為了解決這些問題，我們提出了ASGCRL（自適應(yīng)半監(jiān)督圖對比表示學(xué)習(xí)框架）。ASGCRL根據(jù)樣本間關(guān)系的演變動態(tài)構(gòu)建EEG圖，通過一種新穎的自適應(yīng)增強策略來減輕異常連接，并通過一致性正則化有效利用有限的標(biāo)記數(shù)據(jù)和豐富的未標(biāo)記數(shù)據(jù)。在四個公共數(shù)據(jù)集上的廣泛實驗表明，盡管使用的標(biāo)記數(shù)據(jù)不到10%，ASGCRL的性能仍優(yōu)于最先進的監(jiān)督模型。進一步的分析證實了其在基于EEG的情感識別中的卓越標(biāo)簽效率和魯棒性。
引言
情感是一種復(fù)雜的生理和認(rèn)知狀態(tài)，對人類互動至關(guān)重要。準(zhǔn)確的情感識別通過使系統(tǒng)能夠解釋和響應(yīng)用戶的情感狀態(tài)，從而增強了人機交互（HCI），支持心理健康監(jiān)測、自適應(yīng)學(xué)習(xí)和交互式娛樂等應(yīng)用。
情感識別已在包括文本[1]、語音[44]、視覺線索[22]以及腦電圖（EEG）[28]在內(nèi)的多種模態(tài)中進行探索。生理信號特別有價值，因為它們反映了難以隱藏的非自愿反應(yīng)[59]。多通道EEG提供了大腦各區(qū)域電活動的非侵入性記錄，并通過不同的頻率帶提供了豐富的情感信息[42]。先前的研究建立了情感狀態(tài)與頻譜特征之間的強烈關(guān)聯(lián)[19]、[45]、[63]，其中功率譜密度（PSD）和差分熵（DE）是最常用的EEG特征[8]、[24]。
深度神經(jīng)網(wǎng)絡(luò)（DNNs），包括深度信念網(wǎng)絡(luò)（DBNs）[63]、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNNs）[30]和卷積神經(jīng)網(wǎng)絡(luò)（CNNs）[60]，通過學(xué)習(xí)時空模式推進了基于EEG的情感識別。然而，這些架構(gòu)假設(shè)數(shù)據(jù)具有網(wǎng)格結(jié)構(gòu)，因此難以表示EEG電極的不規(guī)則空間排列和復(fù)雜拓?fù)�。此外，空間鄰近性并不總是對應(yīng)于功能相關(guān)性[28]，這限制了它們模擬真實大腦連接的能力。
圖神經(jīng)網(wǎng)絡(luò)（GNNs）通過處理圖結(jié)構(gòu)化數(shù)據(jù)來克服這些限制[53]。圖卷積網(wǎng)絡(luò)（GCNs）匯總連接節(jié)點間的信息以生成表達性嵌入[18]。在EEG分析中，Song等人[45]和Wang等人[51]使用GCNs建模電極間的空間和功能關(guān)系（樣本間關(guān)系），而Li等人[25]在半監(jiān)督框架下使用GCNs基于樣本相似性（樣本間關(guān)系）學(xué)習(xí)判別性節(jié)點嵌入。
盡管取得了這些進展，但仍存在兩個主要挑戰(zhàn)。首先，EEG注釋成本高昂、耗時且容易出錯。因此，利用豐富的未標(biāo)記數(shù)據(jù)對于學(xué)習(xí)抗噪聲和可泛化的EEG表示至關(guān)重要[40]。其次，大多數(shù)基于圖的EEG模型依賴于靜態(tài)的、預(yù)定義的圖。由于EEG信號高度可變、非平穩(wěn)且易受噪聲影響，這樣的固定結(jié)構(gòu)無法充分捕捉大腦活動的動態(tài)特性，可能會導(dǎo)致GNN傳播錯誤或不穩(wěn)定的連接，從而降低嵌入質(zhì)量。
為了克服這些限制，我們提出了自適應(yīng)半監(jiān)督圖對比表示學(xué)習(xí)（ASGCRL）框架。ASGCRL構(gòu)建動態(tài)的多視圖EEG圖以捕捉數(shù)據(jù)樣本之間的多樣化關(guān)系，應(yīng)用一種新穎的自適應(yīng)圖增強策略，選擇性地擾動信息較少的邊和屬性，同時保留關(guān)鍵結(jié)構(gòu)，并采用半監(jiān)督圖對比目標(biāo)來強制跨視圖一致性。通過聯(lián)合利用標(biāo)記數(shù)據(jù)和未標(biāo)記數(shù)據(jù)，ASGCRL學(xué)習(xí)了魯棒且具有區(qū)分性的EEG嵌入，提高了性能和標(biāo)簽效率。
本研究的主要貢獻如下：
•我們提出了ASGCRL，這是一種半監(jiān)督框架，能夠有效利用有限的標(biāo)記數(shù)據(jù)和豐富的未標(biāo)記EEG數(shù)據(jù)進行魯棒的情感識別。
•我們引入了動態(tài)多視圖圖構(gòu)建方法，能夠從演變的嵌入中自適應(yīng)地捕捉樣本間關(guān)系。
•我們設(shè)計了一種自適應(yīng)圖增強策略，結(jié)合了基于標(biāo)簽的結(jié)構(gòu)修剪和Fisher判別比（FDR）引導(dǎo)的屬性掩碼，以保留關(guān)鍵信息的同時引入有意義的變異。
•我們開發(fā)了一種半監(jiān)督對比學(xué)習(xí)目標(biāo)，強制圖視圖之間的一致性，從而在標(biāo)記數(shù)據(jù)有限的情況下增強對異常擾動的魯棒性。
•在四個公共數(shù)據(jù)集（SEED、SEED-IV、DEAP和AMIGOS）上的廣泛實驗表明，ASGCRL取得了最先進的性能，并具有出色的標(biāo)簽效率。
章節(jié)片段
基于EEG的情感識別
早期的EEG情感識別研究集中在從復(fù)雜信號中識別具有區(qū)分性的頻譜-時間模式。Zheng等人[63]使用DBNs建模頻域特征，而Li等人[29]使用RNNs整合了雙半球的時間動態(tài)�；贑NN的方法如EEGNet[21]捕獲了局部樣本間相關(guān)性，后續(xù)工作則結(jié)合了CNNs[60]和CRNNs[58]的空間電極拓?fù)�。分層架�?gòu)如HCNN[26]進一步
提出的方法
本節(jié)首先概述了圖論基礎(chǔ)知識，然后詳細(xì)描述了圖1中所示的ASGCRL框架。
材料和實驗
本節(jié)總結(jié)了所使用的公共EEG數(shù)據(jù)集，詳細(xì)介紹了實驗設(shè)置，并展示了模型評估結(jié)果。評估主要關(guān)注受試者內(nèi)部場景，與比較的最先進（SOTA）研究中使用的協(xié)議一致（除非另有說明，例如跨會話評估）。
利用有限標(biāo)記數(shù)據(jù)的效率
EEG情感數(shù)據(jù)的采集和注釋既耗時又昂貴，需要專業(yè)知識，因此標(biāo)簽效率對于實際應(yīng)用至關(guān)重要。本節(jié)通過將其與完全監(jiān)督的SOTA模型進行比較，評估了所提出的ASGCRL在利用有限標(biāo)記數(shù)據(jù)方面的效率。表3顯示了與在SEED和SEED-IV上使用超過60%標(biāo)記數(shù)據(jù)的SOTA監(jiān)督模型的比較結(jié)果。ASGCRL即使在
結(jié)論
在這項研究中，我們提出了ASGCRL，一種用于基于EEG的情感識別的自適應(yīng)半監(jiān)督圖對比學(xué)習(xí)框架。通過整合自適應(yīng)深度節(jié)點嵌入、自適應(yīng)圖增強和一致性正則化，ASGCRL有效解決了標(biāo)記數(shù)據(jù)有限和EEG圖表示中關(guān)系結(jié)構(gòu)不可靠的問題。該框架動態(tài)學(xué)習(xí)樣本間關(guān)系，并通過一種新穎的自適應(yīng)
CRediT作者貢獻聲明
金大賢：撰寫——原始草稿、可視化、軟件、方法論、概念化。崔英碩：撰寫——審稿與編輯、監(jiān)督、方法論、概念化。
利益沖突聲明
作者聲明他們沒有已知的可能會影響本文報告工作的競爭性財務(wù)利益或個人關(guān)系。
致謝
本研究部分得到了韓國政府（MSIT）資助的信息與通信技術(shù)規(guī)劃與評估研究所（IITP）的資助（項目編號RS-2024-00422599，用于開發(fā)個性化即時渴望管理系統(tǒng)，用于物質(zhì)使用障礙），以及2025年Kwangwoon大學(xué)的優(yōu)秀研究人員支持項目的支持。
生物通微信公眾號
生物通新浪微博
- 搜索
- 國際
- 國內(nèi)
- 人物
- 產(chǎn)業(yè)
- 熱點
- 科普
今日動態(tài) |
人才市場 |
新技術(shù)專欄 |
中國科學(xué)人 |
云展臺 |
BioHot |
云講堂直播 |
會展中心 |
特價專欄 |
技術(shù)快訊 |
免費試用
版權(quán)所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
聯(lián)系信箱：
粵ICP備09063491號
