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
问题
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：
- 怎么去泛化模型？对于新的数据进行准确分类
- 怎么全面利用EEG特性来得到更加可分的数据表征进行情绪识别
- 怎么去解决情绪噪声标签的问题
方法
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
空间拼图任务
频率拼图任务
对比学习任务
训练模式
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
特征提取器
实验
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
- 非监督模式下对比了基于EEG情绪识别领域的两种自监督模型SSL-EEG和SeqCLR，同时还对比了比较流行的别的自监督方法如DeepCluster、MoCo等；
- 监督模式
- 作者还分析了相应的混淆矩阵，包括非监督/监督的是否跨被试的；
- 作者还进行消融实验以及可视化展示
- Chebyshv filter sizes超参的分析
展望
将多任务自监督学习更多地用于改善EEG情绪识别中
本人见解
脑电情绪识别的三个挑战：
- 对情绪识别模型进行泛化，对新数据也能分类
- 充分利用EEG特征，获取更具判别性的数据表征
- 如何解决情感噪声标签的问题
过往：
- 使用域适应DA（BiDANN，适用于有标签训练和无标签测试
- 手工特征（PSD、统计度量、离散小波变换，但并不是专门为脑电设计的特征。也有用DBN的。手工特征不够充分利用特定情绪的相关信息，有必要提取高级特征
- 收集的数据中，情绪标签可能是嘈杂且不一致的，不一定诱发一致的情绪
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。
- 空间拼图任务：利用图，可以使预定义远的电极成为相邻电极，学习空间信息
把电极参照脑区分为10个区，原有的数据找出汉明距离最大的k个当作增广数据并给予伪标签（将原有的电极数据进行分区排列拼图，多找k个跟原本不一样的排列） - 频率拼图任务：探索脑电情绪识别的关键频段
类似上述任务，脑电分为5个频段共5!=120种，多找这120种频率组合 - 对比学习：利用两个拼图任务的增广样本，标准化特征空间
将上述任务的增广数据进行对比学习，n个样本的各自m个增广数据，就有m-1个正样本对和(n-1)×m个负样本对，利用与SimCLR类似的对比学习。数据间的相似性通过计算点积得到。
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：
- 使用多任务学习提高泛化能力
- 通过两个拼图代理任务和对比学习，解决情绪噪声标签问题
- 无监督和有监督学习方法的结果证明GMSS在多个数据集上SOTA
参考链接
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