基于脑电图信号与图对比学习的半监督情绪识别模型研究

本文推荐：作者创新性地提出半监督图对比学习模型（SGCL），通过对称相似性网络融合（SSNF）整合差分熵（DE）和功率谱密度（PSD）特征，结合图对比学习（GCL）提升图卷积网络（GCN）对高维脑电图（EEG）数据的表征能力。实验表明，该模型在SEED数据集仅用3.5%标注数据即实现99.99%准确率，为情绪识别领域树立了新标杆。

　　

亮点

• 我们提出专为脑电图（EEG）情绪识别设计的半监督图对比学习模型（SGCL），巧妙利用少量标注数据和海量未标注数据提升分类性能。

• 创新性开发对称相似性网络融合（SSNF）方法，整合差分熵（DE）与功率谱密度（PSD）特征，让模型能更精准捕捉脑电信号中的情绪指纹。

• 设计高效的图对比学习（GCL）技术，通过对比学习和一致性正则化双管齐下，攻克高维复杂脑电数据的表征难题。

• 在SEED、SEED-IV和DEAP三大权威数据集上的实验表明，SGCL不仅碾压现有半监督模型，即便标注数据稀缺时也能媲美全监督模型的性能。

方法精要

本部分首先解析脑电信号构建的图结构，随后详解SGCL模型框架（如图1所示）。通过SSNF融合DE和PSD特征生成联合邻接矩阵，结合包含图增强、深度节点嵌入和对比学习的GCL框架，实现脑电信号的"三维解码"——空间拓扑、频域特征和样本关联性的协同挖掘。

实验成果

在SEED数据集创下99.99%准确率的惊人记录（仅需3.5%标注数据），较传统方法提升超过15%。模型对δ/θ频段（1-8Hz）的情绪表征尤为敏感，这验证了低频脑电节律在情感处理中的核心作用。

讨论聚焦

• 性能突破：模型在数据标注稀缺场景下展现惊人鲁棒性，归功于GCL构建的"数据增强-对比学习"双引擎机制。

• 组件贡献：SSNF特征融合使模型AUC提升23.6%，证明多模态特征协同的重要性。

• 生物学解释：通过拓扑显著图发现，前额叶和颞叶电极（如FP1、T7）对情绪分类贡献度超65%，与情感神经科学理论高度吻合。

结论启示

SGCL模型开创性地将半监督学习与图对比学习结合，为脑电情绪识别领域带来三大革新：突破标注数据瓶颈、建立多特征融合新范式、提供神经可解释性。该框架可扩展至其他生理信号（如ECG、EMG）分析，为情感计算开辟新航道。