跨主題 EEG 情緒辨識：基於時間非同步對齊對比學習
arXiv - Human-Computer InteractionYing Xie, Yi Zheng, Zehui Xiao, Wenkai Lu, Mengting Liu
提出 TA2CL 框架，透過局部時間非同步對齊對比學習，提升跨受試者 EEG 情緒辨識準確度。
AI 幫你先抓重點
AI 重點 1
利用局部時間非同步對齊，顯著提升跨受試者情緒辨識準確度
滑鼠懸停看 AI 判斷理由
此方法突破傳統全局硬對齊限制，能自動尋找高相關時段，減少受試者差異與時間延遲帶來的噪聲，對於多樣化人群的情緒監測具有實際應用價值。
AI 重點 2
對比學習結合時間對齊，可在少量標籤資料下保持高效性能
滑鼠懸停看 AI 判斷理由
這表明即使在資料稀缺的情境，模型仍能透過對比學習捕捉關鍵特徵，降低對大量標籤的依賴，對教育科技平台的情緒分析功能尤為重要。
核心研究發現
- 1
在 FACED 資料集上，TA2CL 在九類分類任務中達 64.5% 準確率，二類分類 79.5%。
- 2
在 SEED 資料集上，TA2CL 取得 86.4% 準確率；在 SEED-V 資料集上 70.1%。
- 3
TA2CL 透過局部高相關段落對齊，有效減少跨受試者差異與時間延遲影響。
對教育工作者的啟發
TA2CL 的局部時間非同步對齊機制可直接應用於實時情緒監測系統，降低跨受試者差異對模型準確度的影響。教育科技平台可利用此技術，為多元文化學生提供更精準的情緒回饋，進而調整教學內容與互動方式。對於課程設計者而言，將對比學習與時間對齊結合，可在標籤數量有限時仍保持高效辨識，節省資料標註成本。未來可將此框架擴展至其他生理訊號（如心率、皮膚電反應），打造多模態情緒分析工具，提升學習者情緒管理與自我調節能力。
原始文獻資訊
- 英文標題：
- Cross-Subject EEG Emotion Recognition Based on Temporal Asynchronous Alignment Contrastive Learning
- 作者：
- Ying Xie, Yi Zheng, Zehui Xiao, Wenkai Lu, Mengting Liu
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。