文件大小：1.32M
摘要：脑电情绪识别是指通过分析人类脑电信号（Electroencephalogram，EEG）来识别相应情绪状态的技术，在医疗健康、人机交互等领域有着广泛的应用。目前，脑电情绪识别往往借助机器学习或深度学习方法对标签脑电数据进行充分训练从而能够辨别不同情绪状态。然而，以往方法严重依赖于大量标签数据，而数据标注耗时耗力，并且由于脑电信号的个体差异性，导致传统方法表现不佳。同时，研究表明，脑电信号的空间结构信息能够反映不同情绪状态下蕴含的脑区相互作用，有助于提高情绪的辨识度。为此，本文提出了一种基于自监督图网络的脑电情绪识别方法。首先，使用减数分裂方法预处理脑电信号；其次，利用图卷积网络提取脑电信号的空间结构信息，并通过设计自监督辅助任务对图卷积网络进行训练；最后，在公开数据集SEED和SEED-IV上验证所提方法的可行性和有效性，得到情绪识别的准确率为95.16%和80.23%，优于现有方法。
文章目录
1. 引言
2. 相关工作
3. 基于自监督图网络的脑电情绪识别方法
3.1减数分裂方法
3.2图网络构建
3.3自监督辅助任务
3.3.1 空间辅助任务
3.3.2 对比辅助任务
3.4基于MSC-GCN模型的脑电情绪识别方法
4. 数值实验
4.1 数据集
4.2 预处理
4.3 实验结果与分析
4.3.1 消融实验
4.3.2 结果对比
4.3.3 参数分析
