감정 인식은 인간-컴퓨터 상호작용, 감성 컴퓨팅 및 지능형 건강 모니터링에서 중요한 역할을 합니다. 특히 EEG 기반 감정 분석은 높은 시간 해상도와 기본 감정 상태의 직접적인 반영 덕분에 가장 유망한 기술 경로 중 하나로 간주됩니다. 그러나 감정 관련 뇌파(EEG) 데이터는 일반적으로 높은 주석 비용, 상당한 피험자 간 변동성, 장치나 세션 간의 뚜렷한 분포 변화로 인해 기존의 심층 학습 모델이 소규모 샘플 또는 피험자 간 조건에서 안정적인 성능을 달성하기 어렵습니다. 이러한 문제를 해결하기 위해 본 연구는 EEG 기반 감정 인식을 위한 대조 학습 기반 프레임워크인 ConLEAD를 제안하며, 이는 감정 분류를 쿼리 샘플과 지원 샘플 간의 관계 추론 작업으로 수립합니다. ConLEAD는 임베딩 모듈과 관계 모듈로 구성되어 있으며, 전자는 LSTM과 프로젝션 서브네트워크를 활용하여 안정적이고 차별적인 깊이 EEG 표현을 학습하고 후자는 각 쿼리와 그 클래스-특정 지원 샘플 간의 Top-T 코사인 유사도를 집계하여 최종 카테고리 예측을 생성함으로써 다양한 데이터 스케일에 적응 가능한 상대 레이블링 전략을 수립합니다. 쿼리 샘플 증강, 프로젝션 공간 재구성 및 선택적 유사도 집계를 통해 ConLEAD는 소규모 샘플, 피험자 간 및 장치 간 시나리오에서 강력한 견고성과 일반화를 보여줍니다. DEAP(이진 분류) 및 SEED(3 클래스 분류) 데이터셋에서 실시된 실험 결과, ConLEAD는 여러 주요 기준 모델(예: ProtoNet)을 초월하며 DEAP에서 8.29% / 7.35% (Valence / Arousal) 및 SEED에서 6.38%의 정확도 향상을 달성하여 EEG 기반 감정 인식의 효과성과 실용 가치를 검증하였습니다.
Gao et al. (금요일)은 이 질문을 연구하였습니다.