跳到正文

算法、任务与模态

LOSO 最新动态

LOSO 研究索引；按可核对的标签归档，不以热度评价质量。

22 条精选近 30 天 10 条共收录 35 条

更新

精选归档 · 第 2 页

1月1日周日第 21–22 条
  1. OpenReview · EEG73

    用于跨被试 EEG 情绪识别的半监督双流自注意力对抗图对比学习

    基于摘要分析。本文针对标注数据稀缺条件下的跨被试 EEG 情绪识别，提出半监督双流自注意力对抗图对比学习框架 DS-AGC，联合提取非结构与结构 EEG 特征，并通过自注意力融合进行样本选择和情绪识别。 机制方面，非结构流采用半监督多域适应，旨在减小有标签源域、无标签源域与未知目标域之间的分布差异；结构流采用半监督图对比学习，从多个 EEG 通道提取图表征。自注意力融合模块强调与情绪更相关的 EEG 特征，以及有标签源域中更接近目标域的样本。其方法组合同时面向跨被试分布差异、通道结构表征和有限标签利用；对抗训练的具体实现、图构建方式、对比样本定义及损失形式均无法由摘要确认。 作者报告，在 SEED 和 SEED-IV 上采用半监督跨被试留一被试交叉验证，在不同标签不完整条件下优于现有方法，平均提升分别为 5.83% 和 6.99%。摘要未明确提升对应的评价指标、相对百分比或百分点，也未列出具体对照方法与标签比例，因此不能将这些数值直接解释为 Accuracy 增加的百分点，或与其他协议的结果直接比较。 复现时需核对各域的数据划分、目标被试数据是否及如何参与训练、标签抽取规则、EEG 预处理与通道图构建，以及双流、域适应和自注意力样本选择的独立贡献。被试数量、会话组织、实验协议细节、消融及统计信息尚未验证。摘要支持其作为跨被试 EEG 情绪识别方法的研究价值，但不支持进一步断言其对其他 BCI 任务同样有效。

    阅读价值：值得阅读的具体原因是 DS-AGC 将半监督多域适应、EEG 通道图表征与自注意力融合结合用于标签稀缺的跨被试情绪识别，但其增益指标定义、目标域数据使用方式及各模块贡献仍需全文核对。

8月17日周三
  1. OpenReview · EEG73

    结合几何深度学习与多通道特征融合的逐通道编码器网络用于头皮 EEG 情感识别

    基于摘要分析。研究针对头皮 EEG 情感识别，以未经处理的 EEG 信号为输入，结合通道专属编码器、图卷积和多头注意力，对 arousal（唤醒度）、valence（效价）与 dominance（支配度）进行低/高二分类。主要贡献是将各通道的特征学习与电极空间关系建模结合，并通过多任务分类器预测三个情绪维度。 机制上，每个通道的编码器采用基于 SincNet 的卷积模块，滤波器在训练中针对情感识别任务微调。得到的特征嵌入进入图卷积网络：通道被表示为图节点，图结构依据采集时电极的相对位置建立，其建模假设是相邻电极捕获的脑活动存在相互影响。多头注意力与图卷积共同使用，以关注不同表示子空间中的特征；随后由深度神经网络多任务分类器输出情绪状态。摘要未说明具体图连接规则、注意力实现、损失函数或网络规模，这些细节尚未验证。 作者报告，在 Dreamer 数据集的 10 折交叉验证下，arousal、valence、dominance 的 Accuracy 分别为 88.24%、88.80%、88.22%；该划分是否严格隔离被试尚未验证。在 Dreamer 的 Leave-One-Subject-Out（LOSO，跨被试）交叉验证下，对应 Accuracy 为 63.71%、64.98%、61.81%；在 DEAP 的 LOSO 评估下，分别为 69.72%、69.43%、70.72%。这些结果属于不同评估协议，不能将 10 折结果直接视为跨被试性能。作者声称优于当时的先进方法，但具体对照方法及协议可比性尚未验证。 复现时应优先核对样本切分、情绪标签二值化规则、电极图构建、通道编码器的参数共享方式，以及 SincNet、图卷积和多头注意力各自的贡献。摘要所称“未经处理”输入的实际预处理边界也需查阅全文确认。被试规模、实验协议细节、消融及统计信息尚未验证；当前证据支持对该情绪识别框架开展方法审查，不足以推断其在其他 EEG 或 BCI 任务中的有效性。

    阅读价值：该研究将可学习频带的通道专属编码器、电极位置图与多任务情绪分类结合，并报告 LOSO 跨被试结果，值得核对其图构建和特征融合对跨被试泛化的实际贡献。