19、深度学习在脑电信号处理与情感分析中的应用

深度学习在脑电信号处理与情感分析中的应用

脑电信号处理相关研究

在脑电信号处理领域，研究人员致力于开发有效的特征提取和分类模型，以更好地理解和分析脑电数据。

SPP - EEG特征提取器架构

该架构能够将任意维度的输入信号映射到相同大小的一维向量。其具体结构如下：
1. 对转换后的脑电数据集进行处理，首先使用Conv2D层，步长为(1, 2)。
2. 接着进行批量归一化（BN）和ReLU激活操作。
3. 应用Dropout(0.5)防止过拟合。
4. 连接一个Dense层，维度为(N, 100)。
5. 采用空间金字塔池化（Spatial Pyramid Pooling）。
6. 再次使用Conv2D层，步长为(1, 2)，并进行BN和ReLU操作，以及Dropout(0.5)。
7. 后续还有多个Conv2D层，每层后都进行BN和ReLU操作，最终输出特征维度为(1, 100)。

这个架构中的Conv2D层保留了通用的脑电信号特征，这些特征可以迁移到下游任务中。

对比学习

对比学习的输入是多变量时间序列$S \in R^{1×C×N}$，其中1表示将每个脑电输入视为只有一个颜色通道的二维图像，C是遵循10 - 20脑电蒙太奇系统的脑电数据通道总数，N是每个输入数据样本的总时间点。为了从多变量时间序列S中生成有标签的样本，研究人员采样时间窗口对$(x_t, x_{t’})$，每个窗口$x_t, x_{t’}$都在$R^{1×C×N}$中。第一个窗口$x_t$称为“锚窗口”，第二个窗口$x_{t’}$可以是锚窗口的变换，此时$(x_t, x_{t