.png){kind=icon}
返回
A self-supervised data augmentation strategy for EEG-based emotion recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2025.103279.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于脑电图（EEG）数据的稀缺问题，使用深度学习构建高精度情感识别模型面临巨大挑战。近年来，数据增强显著提升了深度学习性能。因此，本文提出了一种创新的自监督数据增强策略，命名为SSDAS-EER，用于生成高质量且多样化的人工EEG特征图。首先，通过结合差分熵（DE）和功率谱密度（PSD）特征构建EEG特征图，以获取丰富的空间和频谱信息。其次，采用掩码策略对部分EEG特征图进行掩码处理，促使设计的生成对抗网络（GAN）专注于学习未掩码的特征信息，并有效填充掩码部分。同时，精细化的GAN能够准确捕捉空间和频谱信息的分布特征，从而确保生成的人工EEG特征图的质量。特别地，本文引入了自监督学习机制，以进一步优化具有良好泛化能力的分类器，用于生成的样本。该策略将数据增强和模型训练整合为端到端流程，能够为每位被试增强EEG数据。本研究在DEAP数据集上进行了系统性实验，结果表明，所提出的方法在所有被试的效价和唤醒度上分别达到了97.27%和97.45%的平均准确率，相较于策略应用前的准确率提高了1.46%和1.39%。同时，验证了生成EEG特征图与原始EEG特征图之间的相似性。这些结果说明，SSDAS-EER在EEG情感识别任务中具有显著性能提升，展示了其在提高EEG数据利用效率及情感识别精度方面的巨大潜力。
Keyword:
EEG
Emotion recognition
Data augmentation
Generative adversarial network
Self-supervised learning
期刊
IF:
15.5
论文数:
4.2K
被引数:
2.7W
机构
暂无机构信息
引用论文
Data augmentation for enhancing EEG-based emotion recognition with deep generative models使用深度生成模型增强基于EEG的情感识别的数据增强
OAAI
.png){kind=icon}
OAAI分享收藏Hybrid Network Using Dynamic Graph Convolution and Temporal Self-Attention for EEG-Based Emotion Recognition基于动态图卷积和时间自注意的混合网络用于EEG情绪识别
PREAI
分享收藏分享收藏Music and emotion: Electrophysiological correlates of the processing of pleasant and unpleasant music音乐和情感: 愉快和不愉快音乐处理的电生理相关性
OAAI
OAAI分享收藏
查看更多内容