近日，医学部生物医学工程学院梁臻老师在情感计算顶级期刊《IEEE Transactions on Affective Computing》（影响因子9.6）上发表题为《Semi-Supervised Dual-Stream Self-Attentive Adversarial Graph Contrastive Learning for Cross-Subject EEG-based Emotion Recognition》的学术论文。深圳大学研究生叶炜珊同学和哈尔滨工业大学（深圳）张治国教授为共同第一作者，深圳大学梁臻副教授和电子科技大学徐鹏教授为共同通讯作者。深圳大学为第一作者单位和通讯单位。

脑电（EEG）是一种用于情感识别的客观工具，因其提供的高时间分辨率和非侵入性检测特性，在情感计算领域具有广阔的前景。然而，尽管EEG具有巨大的潜力，其广泛应用却面临着一个主要挑战，即标签数据的稀缺。这种数据稀缺性限制了现有模型在情感识别任务中的性能表现。为了解决这一问题，本研究提出了一种新颖的半监督双流自注意对抗图对比学习框架，简称DS-AGC，用于基于EEG信号的跨被试情感识别。DS-AGC框架设计了一种智能的双流结构，通过这种结构，能够有效地提取并融合EEG信号中的非结构化和结构化信息。双流结构包含两个并行的子网络：一个用于处理原始的非结构化EEG数据，另一个则用于处理基于图结构提取的EEG特征。随后，这两个子网络的输出通过自注意机制进一步融合，以提升模型对情感状态的识别能力。

为了验证DS-AGC框架的有效性，研究者在多个benchmark数据库上进行了全面的实验。这些实验结果显示，DS-AGC框架不仅能够有效利用有标签的数据，还能充分挖掘无标签数据的信息，显著提升情感识别的准确性和鲁棒性。尤其在有标签数据稀缺或获取成本高昂的情况下，成为一种有前景的解决方案。

    本研究获得国家自然科学基金项目资助。

原文链接：https://doi.org/10.1109/TAFFC.2024.3433470