换一批摘要近年来基于脑电信号的情绪识别研究取得了显著的进展,然而标签的标注需要大量的人力,实际应用中难以快速获取大量带标签的数据.高效利用有限的标签进行情绪识别研究逐渐成为了一个新的应用瓶颈.为了解决这个问题,本研究提出了一种基于双流孪生网络的模型架构,由两个相互作用、相互学习的卷积神经网络分支组成.首先,将模型进行预训练,将输入信号的扩增视图分别输入到孪生网络的两个分支,在分别经过分支中的卷积模块和全连接模块提取特征后进行对比学习,使模型在过程中学习到脑电信号的通用表征;然后,保留训练分支的编码器部分,对模型进行微调,得到分类结果.使用公开数据集SEED和SEED-Ⅳ中的数据样本进行模型分类效果的验证评估,在全标签数据下,分别实现了 93.92％和89.71％的分类准确率.在50％的标签使用率下,实现了三分类92.68％的平均准确率,比使用全部标签只减少了 1.24％准确率.所提出的模型能够有效提取脑电数据的通用表征,并在使用少量标签的情况下达到较高的识别准确率.
更多相关知识
关键词
情绪识别自监督学习脑机接口双流网络emotion recognitionself-supervised learningbrain-computer interfacetwo-flow network
分类号
R318（医用一般科学）
栏目名称
DOI
10.3969/j.issn.0258-8021.2025.04.001
发布时间
2025-10-11（万方平台首次上网日期，不代表论文的发表时间）
- 浏览1
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
