提出的方法：一个基于图的多任务自监督模型
对比方法：RGNN、BiHDM、A-LSTM、BiDANN、DANN、DGCNN、SeqCLR、SSL-EEG
实验使用数据集：SEED，SEED-IV，MPED
官方代码:https://github.com/CHEN-XDU/GMSS
注：第一篇在EEG情绪识别领域采用多任务自监督方法来改善模型泛化能力并避免过拟合的工作
目录
问题
之前的基于EEG的情绪识别都是单任务学习，这会导致过拟合且学到的情绪特征缺乏泛化能力
多数基于EEG的情绪识别方法基本上都面临三个挑战：1）怎么去泛化模型？对于新的数据进行准确分类；2）怎么全面利用EEG特性来得到更加可分的数据表征进行情绪识别；3）怎么去解决情绪噪声标签的问题
方法
提出了一个基于图的多任务自监督模型（GMSS:a graph-based multi-task self-supervised learning model）
该模型能够通过结合多种自监督任务来学到更多的通用特征，任务包括空间和频率的拼图任务以及对比学习任务
通过同时学习多种任务，GMSS能够得到所有任务的一个表征来降低在原任务上过拟合的概率，如情绪识别任务
具体地，空间拼图任务是为了得到不同脑区的空间联系；频率拼图任务是为了得到较为重要的频带
为了进一步规范特征来促使网络学到本质的特征，通过对比学习任务来将转换后的数据映射到一个共同特征空间
1. 空间拼图任务
2. 频率拼图任务
3.对比学习任务
4. 训练模式
两种模式分别是无监督和监督模式，两种模式下特征提取器都是一样的，区别在于是否出现真实标签
监督模式采用了一种联合训练策略
5. 特征提取器
实验
对比了几种流行的非监督和监督学习方法，在数据集SEED，SEED-IV，MPED上进行了实验证明了GMSS模型对EEG情绪信号能够学到更加可分且通用的特征
作者进行了比较完善的实验
1）非监督模式下对比了基于EEG情绪识别领域的两种自监督模型SSL-EEG和SeqCLR，同时还对比了比较流行的别的自监督方法如DeepCluster、MoCo等；
2）监督模式
3）作者还分析了相应的混淆矩阵，包括非监督/监督的是否跨被试的；
4）作者还进行消融实验以及可视化展示
5）Chebyshv filter sizes超参的分析
展望
将多任务自监督学习更多地用于改善EEG情绪识别中
Reference
[1] Y. Li et al., "GMSS: Graph-Based Multi-Task Self-Supervised Learning for EEG Emotion Recognition," in IEEE Transactions on Affective Computing, doi: 10.1109/TAFFC.2022.3170428.