基于注意力机制增强的对比学习模型在脑电跨被试情绪识别中的应用

《Biomedical Signal Processing and Control》：A contrastive learning model of attentional enhancement for EEG cross-subject emotion recognition

本文提出了一种融合注意力机制的对比学习模型(CLAE)，通过最大化相同情绪刺激下不同被试脑电(EEG)信号表征的相似性，有效克服个体差异。该模型在SEED数据集三分类任务中取得89.61%准确率，在THU-EP九分类任务中达50.86%，为跨被试EEG情绪识别提供了新范式。

　　

Highlight

本研究亮点在于将空间注意力与通道注意力模块嵌入对比学习框架，使卷积神经网络(CNN)能聚焦EEG信号关键特征，显著提升跨被试情绪识别的鲁棒性。

Method

方法部分详细阐述了CLAE模型的双阶段架构：

1. 对比学习阶段：通过样本提取器构建正负样本对，基编码器(含CNN和注意力模块)学习被试不变特征，投影头生成低维表征

2. 情绪预测阶段：采用多层感知机(MLP)基于学习到的差分熵(DE)特征进行分类

   创新性引入的注意力机制能动态加权时空特征，如同"神经信号探针"精准捕获前额叶等情绪相关脑区的激活模式。

Experimental setup

实验设置：

• 使用SEED数据集(15人，3情绪态)和THU-EP数据集(80人，9情绪态)

• 数据预处理包括0.5-70Hz带通滤波和独立成分分析(ICA)去噪

• 对比损失温度参数τ=0.1，Adam优化器初始学习率0.001

Experimental results and analysis

实验结果揭示：

1. t-SNE可视化显示CLAE能有效聚类相同情绪的跨被试EEG特征

2. 在SEED数据集上F1值达89.36%，较传统CNN提升12.7%

3. 消融实验证实注意力模块贡献率达34.2%

Conclusion

结论表明，CLAE模型如同"脑电指纹解码器"，通过注意力增强的对比学习策略，成功突破了跨被试EEG情绪识别的关键技术瓶颈，为情感脑机接口(BCI)提供了新工具。