报告时间:2025年2月26日 (星期三) 晚上20:00 (北京时间)
主题:AI方向投稿Nature/Science系期刊的经验及相关工作分享
主持人:余肇飞 (北京大学)
直播地址:https://live.bilibili.com/22300737

报告时间:2025年2月26日 (星期三) 晚上20:00 (北京时间)
主题:AI方向投稿Nature/Science系期刊的经验及相关工作分享
主持人:余肇飞 (北京大学)
直播地址:https://live.bilibili.com/22300737
提出的方法:一个基于图的多任务自监督模型
对比方法:RGNN、BiHDM、A-LSTM、BiDANN、DANN、DGCNN、SeqCLR、SSL-EEG
实验使用数据集:SEED,SEED-IV,MPED
官方代码:https://github.com/CHEN-XDU/GMSS
注:第一篇在EEG情绪识别领域采用多任务自监督方法来改善模型泛化能力并避免过拟合的工作
之前的基于EEG的情绪识别都是单任务学习,这会导致过拟合且学到的情绪特征缺乏泛化能力
多数基于EEG的情绪识别方法基本上都面临三个挑战:
提出了一个基于图的多任务自监督模型(GMSS:a graph-based multi-task self-supervised learning model)
该模型能够通过结合多种自监督任务来学到更多的通用特征,任务包括空间和频率的拼图任务以及对比学习任务
通过同时学习多种任务,GMSS能够得到所有任务的一个表征来降低在原任务上过拟合的概率,如情绪识别任务
具体地,空间拼图任务是为了得到不同脑区的空间联系;频率拼图任务是为了得到较为重要的频带
为了进一步规范特征来促使网络学到本质的特征,通过对比学习任务来将转换后的数据映射到一个共同特征空间
两种模式分别是无监督和监督模式,两种模式下特征提取器都是一样的,区别在于是否出现真实标签
监督模式采用了一种联合训练策略
对比了几种流行的非监督和监督学习方法,在数据集SEED,SEED-IV,MPED上进行了实验证明了GMSS模型对EEG情绪信号能够学到更加可分且通用的特征
作者进行了比较完善的实验
将多任务自监督学习更多地用于改善EEG情绪识别中
脑电情绪识别的三个挑战:
过往:
本文的DMSS是这样解决的:
GMSS采用多个脑电情绪任务来共享学习到的知识,从而产生通用性特征,包括两个基于图的拼图任务和一个对比学习任务,研究空间和频率信息的影响。
数据集:
SEED和SEED-IV输入差分熵DE,MPED输入短时傅里叶变换STFT,输入尺寸为62×5,输出尺寸为32
贡献:
Y. Li et al., “GMSS: Graph-Based Multi-Task Self-Supervised Learning for EEG Emotion Recognition,” in IEEE Transactions on Affective Computing, doi: 10.1109/TAFFC.2022.3170428.
https://blog.csdn.net/qq_41191024/article/details/124956571
2024年1月29日,首都医科大学宣武医院赵国光教授团队与清华大学医学院洪波教授团队召开无线微创脑机接口临床试验阶段进展总结会,宣布全球首例植入式硬膜外电极脑机接口辅助治疗颈髓损伤引起的四肢截瘫患者行为能力取得突破性进展。