CEMOAE: Ein dynamischer Autoencoder mit maskiertem Kanalmodellierung für robuste EEG-basierte Emotionserkennung

Die Emotionserkennung durch Elektroenzephalographie (EEG) ist ein aktives Forschungsgebiet, jedoch stellt die inhärente Empfindlichkeit der EEG-Signale gegenüber Rauschen und Artefakten erhebliche Herausforderungen dar, insbesondere in realen Umgebungen. Diese Komplikationen führen oft dazu, dass korrumpierte Kanäle entfernt werden müssen, was es entscheidend macht, robuste Modelle zu entwickeln, die in der Lage sind, auch bei wenigen verfügbaren Kanälen eine Leistung aufrechtzuerhalten. Um dies zu adressieren, schlagen wir den Corrupted EMOtion AutoEncoder (CEMOAE) vor, einen innovativen Ansatz, der die maskierte Kanalmodellierung nutzt, um eine robuste Leistung aufrechtzuerhalten, erreicht durch drei Komponenten: maskiertes Autoencoder-Pretraining für robustes Repräsentationslernen, zufällige maskierte Hilfsaufgabe für implizites Modellieren der Kanalverunreinigung und maskierte Auto-Reparatur, um die Datenverteilungsdifferenz zwischen hochwertigen und korrumpierten EEG-Signalen explizit zu verringern. Konkret trainieren wir zunächst einen maskierten Autoencoder mit der dynamischen Maskierungsstrategie zur Initiierung des Merkmals-Extraktors und zur Wiederherstellung der Kanäle. Während der Feinabstimmungsphase maskieren wir EEG-Daten unter Verwendung der Hilfsaufgabe, um die reale EEG-Verunreinigung zu simulieren. Anschließend verwenden wir den vorab trainierten Autoencoder, um diese Signale zu reparieren und den Merkmals-Extraktor für die Emotionserkennung feinabzustimmen. Experimente mit dem SEED-Datensatz zeigen, dass CEMOAE eine SOTA-Leistung für die Emotionserkennung unter der Simulation zufälliger Kanalverunreinigung erzielt, was die Wirksamkeit der vorgeschlagenen Techniken validiert.