基于 EEG 信号相关性对比学习的跨被试情绪识别

基于摘要分析，当前材料仅包含 Highlights，未取得论文全文。研究针对跨被试 EEG 情绪识别中的数据差异与标注受限问题，提出 CL-CS 框架，通过整合通道、时间和频率维度的 EEG 特征，并采用基于信号相关性的对比学习，旨在改善跨被试情绪分类与泛化。 机制方面，作者提出的对比损失同时考虑 EEG 信号的幅值与相位信息，而非仅依据单一维度表征构建相似性。材料还描述了一个经对比学习训练的“3-domain encoder”，但其与通道、时间、频率维度的具体对应关系、编码结构及融合方式尚未验证。对比学习与联合学习相结合是另一组成部分；联合学习的任务定义、监督来源、正负样本构建及损失组合方式均未在所给材料中展开。 作者报告，该框架能够减少不同域之间的数据差异，改善跨被试情绪识别的分类性能与泛化，并提高有限 EEG 数据的利用效率，不依赖大规模标注数据。不过，材料未提供数据集、被试数、情绪标签、跨被试划分、对照基线或定量指标，因此这些结论目前只能作为作者的定性报告，不能据此判断提升幅度或与其他方法的优劣。 复现核对的重点是信号相关性的计算方式、幅值与相位如何进入对比目标、跨被试训练与测试的隔离方式，以及“有限数据”和“大规模标注”的具体定义。实验协议、消融及统计信息尚未验证；尤其需要通过全文确认各模块对跨被试泛化的独立贡献及标注预算下的对照结果。