摘要：针对脑电信号（Electroencephalogram，EEG）情感识别中因标签缺失导致模型泛化性不足以及单任务自监督学习易过拟合的问题，提出了一种基于EEG频域特征的图神经网络模型，采用自监督多任务学习框架进行表征学习和情感识别。首先，提取EEG数据的微分熵特征并构建图结构表示，通过通道掩蔽、频率掩蔽、空间拼图和频率拼图四种自监督任务进行多任务学习。结合切比雪夫图神经网络提取深层特征，通道掩蔽和频率掩蔽任务通过重建模块计算损失，空间拼图和频率拼图任务通过分类模块计算损失。训练完成后，冻结特征提取器参数并用于下游情感识别任务。实验结果在SEED和DEAP数据集上显示，依赖被试的情感分类准确率在SEED数据集上达到89.87%（三分类），在DEAP数据集上，唤醒度和效价维度的两分类准确率分别为88.03%和89.70%；而独立被试的准确率分别在SEED数据集上为72.03%，在DEAP数据集上为65.38%和61.29%。这些结果表明，所提方法有效提升了分类性能，缓解了过拟合问题，且优于现有方法。
文章目录
1 自监督多任务框架方法
1.1拼图预测任务
1.1.1 通道拼图任务
1.1.2 频率拼图任务
1.2掩蔽重建任务
1.2.1 通道掩蔽任务
1.2.2 频率掩蔽任务
1.3多任务联合训练损失
1.4共享特征提取器
2 实验设计与分析
2.1数据集
2.2实验设置
3 实验结果及分析讨论
3.1依赖被试对比实验
3.2独立被试对比实验
3.3模型性能分析
3.4消融实验
4 结束语
