Beyond Modeling Order: Dual-Path Spatiotemporal Representation Learning for Cross-Subject EEG Emotion Recognition

📄 arXiv: 2610.35540v1 📥 PDF

作者: Zehui Xiao, Yi Zheng, Guixing Fu, Wenkai Lu, Lingfei He, Tao Tan, Yue Liu, Silun Wang, Junhai Xu, Mengting Liu

分类: cs.LG

发布日期: 2026-10-26

💡 一句话要点

提出双路径时空对比学习以解决跨主体EEG情感识别问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: EEG情感识别 跨主体学习 时空建模 对比学习 深度学习 情感计算 LoRA适应

📋 核心要点

  1. 跨主体EEG情感识别面临显著的个体差异，现有方法对这种差异的处理不足，导致识别效果不佳。
  2. 本文提出双路径时空对比学习框架，通过两个互补编码器在不同的时空建模顺序下建模EEG信息，提升情感表示的一致性。
  3. 在多个跨主体实验中，DP-STCL在SEED、SEED-IV、SEED-V和FACED数据集上表现优异，显著提升了情感识别的准确性。

📝 摘要（中文）

跨主体EEG情感识别面临着神经活动和情感相关时空模式的显著个体差异。现有方法主要通过分布对齐或对比学习来缓解这种差异，但对固定时空建模顺序相关的表示偏差关注有限。本文提出双路径时空对比学习框架（DP-STCL），利用两个互补编码器（时间到空间路径和空间到时间路径）在不同的整合顺序下建模EEG时空信息。通过使用相同的情感刺激建立跨主体关联，结合三种互补关系共同约束表示变化，从而促进稳定且具有区分性的情感表示。实验结果表明，DP-STCL在多个数据集上均优于现有方法，证明了其在跨主体EEG情感识别中的有效性。

🔬 方法详解

问题定义：跨主体EEG情感识别的主要挑战在于个体间神经活动和情感相关时空模式的显著差异，现有方法往往通过分布对齐或对比学习来缓解，但对表示偏差的关注不足。

核心思路：本文假设相同EEG信号的高层情感表示在不同的时空建模路径下应保持一致，因此提出双路径时空对比学习框架（DP-STCL），通过两个互补编码器建模EEG信息。

技术框架：DP-STCL框架包括两个编码器：时间到空间路径（TS路径）和空间到时间路径（ST路径），它们具有独立参数，通过不同的整合顺序建模时空信息。在表示学习过程中，使用相同的情感刺激建立跨主体关联，同时结合三种互补关系约束表示变化。

关键创新：DP-STCL的创新在于通过双路径设计有效缓解了固定时空建模顺序带来的表示偏差，与现有方法相比，能够更好地捕捉情感相关的时空特征。

关键设计：在DP-STCL中，采用LoRA（低秩适应）策略进行少量标记目标主体数据的适应，具有低参数开销，确保了模型的高效性和灵活性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在SEED、SEED-IV、SEED-V和FACED数据集上的实验结果显示，DP-STCL在跨主体EEG情感识别任务中表现优异，整体准确率提升幅度超过了现有对比方法，证明了其有效性和鲁棒性。

🎯 应用场景

该研究在情感计算、心理健康监测和人机交互等领域具有广泛的应用潜力。通过提升EEG情感识别的准确性，能够为情感分析、情绪识别和相关技术的开发提供更可靠的基础，推动智能系统在情感理解方面的进步。

📄 摘要（原文）

Cross-subject generalization remains a major challenge for EEG-based emotion recognition due to pronounced inter-subject variability in neural activity and emotion-related spatiotemporal patterns. Existing methods mainly alleviate inter subject differences through distribution alignment or contrastive learning, while paying limited attention to representation bias associated with fixed spatiotemporal modeling orders. We hypothesize that high-level emotion representations of the same EEG signal should remain consistent across different spatiotemporal modeling paths. Based on this hypothesis, we propose a Dual-Path Spatiotemporal Contrastive Learning (DP-STCL) framework for cross-subject EEG emotion recognition. DP-STCL employs two complementary encoders with independent parameters, namely a Temporal-to-Spatial (TS) path and a Spatial to-Temporal (ST) path, to model EEG spatiotemporal information under different integration orders. During representation learning, the same emotional stimulus is used to establish cross subject associations, while three complementary relations jointly constrain representation variations across subjects and modeling paths. This promotes stable and discriminative stimulus-related emotion representations. To further handle limited labeled target subject data, we introduce a LoRA-based few-shot adaptation strategy with low parameter overhead. Extensive cross-subject experiments on SEED, SEED-IV, SEED-V, and FACED show that DP-STCL consistently outperforms the compared methods, demonstrating its effectiveness in improving cross-subject EEG emotion recognition.