基于深度特征聚合和多源领域适应的EEG情感识别研究

《Cognitive Neurodynamics》：EEG emotion recognition across subjects based on deep feature aggregation and multi-source domain adaptation

　　EEG情绪识别通过深度特征聚合与多源域适应提升跨个体泛化性能，创新性地整合半球不对称特征、频域及时空特征，采用独立子网络处理多域数据，结合域适应策略对齐分布差异，并动态生成高置信伪标签优化边界样本学习，最终实现跨域高效分类，实验验证优于传统方法。

　　

摘要

脑电图（EEG）能够客观反映个体的情绪状态。然而，由于受试者之间存在显著差异，现有方法在不同个体之间的情绪识别泛化能力较低。因此，我们提出了一种基于深度特征聚合和多源领域适应的EEG情绪分类框架。首先，我们设计了一个深度特征聚合模块，该模块引入了一种提取EEG半球不对称特征的新方法，并将这些特征与EEG信号的频率和时空特性相结合。此外，我们还提出了一种多源领域适应策略，通过使用多个独立的特征提取子网络分别处理每个领域，从而提取具有区分性的特征，缓解了领域之间的特征差异问题。然后，采用领域适应策略使多个源领域与目标领域对齐，减少领域间的分布差异，促进有效的跨领域知识迁移。同时，为了提高目标样本在决策边界附近的学习能力，为目标领域中的未标记样本动态生成伪标签。通过利用多个分类器的预测结果，我们计算每个伪标签组的平均置信度，并选择置信度最高的伪标签集作为目标样本的最终标签。最后，使用多个分类器的输出平均值作为模型的最终预测结果。我们使用公开可用的SEED和SEED-IV数据集进行了一系列实验，实验结果表明，我们提出的方法优于其他方法。