面部表情识别（FER）在基于光学肌电（OMG）技术的智能眼镜（如 OCOsense）上实现，可在不使用摄像头的前提下进行隐私保护的情感感知，适用于健康与福祉监测。传统 FER 系统大多采用全监督方式：要么使用专家手工特征配合经典机器学习，要么使用端到端深度模型并依赖大量标注数据。标注成本高昂限制了其在真实、个性化场景中的推广。\n\n本文探索自监督学习（SSL）作为降低标签需求的途径。我们在未标注的 OCOsense 记录上，以掩码自编码器（MAE）目标对 Vision Transformer 进行预训练，然后在五分类 FER 任务上进行人物独立交叉验证的微调。实验在标签预算 5%~100% 的范围内进行比较，结果显示：预训练始终提升性能；在仅使用 5% 标签的情况下，预训练模型的表现已超越使用全部标签从零开始训练的模型。\n\n这些结果表明，SSL 预训练是降低智能眼镜 FER 标注成本的可行方案，并为未来的个性化与持续适应提供了思路。\n\n点评：自监督预训练显著提升了低标签环境下的表情识别准确率，为智能眼镜在真实场景中的大规模部署奠定了基础。