多尺度双曲对比学习用于跨被试EEG情绪识别
基于多尺度双曲对比学习的跨被试脑电情绪识别研究 学术背景 脑电图(Electroencephalography, EEG)作为一种生理信号,在情感计算(Affective Computing)领域中具有重要应用。与传统的非生理线索(如面部表情或语音)相比,EEG信号具有更高的时间分辨率和客观性,能够更可靠地反映人类的情感状态。然而,EEG信号存在显著的个体差异,这使得跨被试(Cross-Subject)情绪识别成为一个具有挑战性的任务。不同个体的EEG信号受年龄、心理状态、认知特征等多种因素影响,导致预训练模型在新被试上的泛化能力较差。 为了应对这一挑战,研究者们提出了多种方法,包括基于时频域特征的分析、深度学习模型以及迁移学习等。然而,这些方法往往难以在减少被试间差异的同时保留情感特征的区...