基于注意力机制增强的对比学习模型CLAE：突破脑电信号个体差异的跨被试情绪识别研究

本文推荐一篇创新性研究，提出融合注意力机制的对比学习模型CLAE（Contrastive Learning with Attention Enhancement），通过空间/通道注意力模块强化特征提取能力，有效解决脑电图（EEG）信号个体差异对跨被试情绪识别的干扰。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%，为情感计算（Affective Computing）领域提供了突破性方法。

　　

Highlight

本研究创新性地将空间注意力与通道注意力模块嵌入对比学习框架，提出CLAE模型。通过最大化相同情绪刺激下跨被试EEG信号表征的相似性，显著降低了脑电信号的个体差异性，为跨被试情绪识别提供了新范式。

Method

如图1所示，CLAE模型包含对比学习与情绪预测双阶段架构：

1. 对比学习阶段：通过样本提取器构建正/负样本对，基于CNN与注意力模块的基编码器学习EEG信号的个体不变特征，利用投影器强化特征区分度

2. 情绪预测阶段：采用多层感知机（MLP）对学习到的稳定特征进行跨被试情绪分类

Experimental setup

使用SEED（15人，3情绪状态）和THU-EP（80人，9情绪状态）数据集，通过差分熵（DE）特征提取，设置温度参数τ=0.05的NT-Xent损失函数优化模型。

Experimental results and analysis

可视化实验显示，CLAE学习的特征具有明显的类内聚集性；消融实验证实注意力模块使三分类准确率提升4.2%；在九分类任务中显著优于传统迁移学习方法。

Conclusion

CLAE模型通过注意力机制引导的对比学习，成功捕捉到EEG信号中与情绪相关的神经活动共性特征，为脑机接口（BCI）和心理健康监测提供了可靠技术路径。