KBS|ProDG：一种用于脑电情绪识别的多源无源领域自适应的代理领域引导策略

跨被试脑电（EEG）情绪识别由于个体之间的显著差异而表现不佳。领域自适应（Domain Adaptation, DA）是一种常见的解决方案，但传统方法需要访问目标域数据，从而引发了隐私问题。无源领域自适应提供了一种可行的解决方案，但目前对该领域的研究仍处于探索阶段。此外，现有方法忽略了源域之间的互补信息。为了克服这一挑战，本研究专注于探索跨领域的互补性。

本研究的核心见解是源模型的高置信度预测表明这些预测更接近目标域的分布。基于此，本研究提出代理领域引导（Proxy-Domain-Guiding, ProDG）策略，该策略首次利用置信引导实现隐私保护的情绪识别。具体来说，代理引导理论（Proxy Guiding Theory）：通过理论验证，源模型的高置信度预测在分布上更接近目标域。代理互信息对齐（Proxy Mutual Information Alignment, PrMI）：通过聚合源模型的高置信度预测构建代理领域，近似目标域的重叠区域，然后通过最大化互信息将每个源模型与代理领域对齐。代理伪标签对齐（Proxy Pseudo-Label Alignment, PrPL）：利用跨源置信度评估优化基于聚类的伪标签，从而提高监督损失的质量。整个训练过程仅使用源域模型和目标数据，源域数据无法访问，从而确保隐私保护。该方法在DEAP（65.3%）、SEED（85.9%）和SEED-IV（70.4%）数据集上取得了最先进的准确率，大幅超越其他隐私保护方法，甚至与非隐私保护方法相当。ProDG验证了基于置信度的代理引导在多源无源领域自适应中的有效性。

所提出的ProDG的框架如图1所示。ProDG包含基于置信度的代理引导理论、代理互信息对齐（PrMI）、代理伪标签对齐 (PrPL)。

图1.ProDG框架

A. 基于置信度的代理引导理论（ProG）

在无源设置下，主要困难源于对目标域的完全不可观测性，这要求采用基于代理的近似方法。在本研究中，提出将置信度作为衡量源域模型与目标域分布对齐程度的指标。通过理论支持的方法，在跨受试者任务中实现隐私保护的EEG情绪识别。

B. 代理互信息对齐（PrMI）

PrMI首先根据ProG理论构建一个代理域来近似目标域。对于每个目标样本，在源域中识别出具有最高置信度的预测结果。根据这一理论，这些预测结果的集合构成了对目标域最近似的近似。图2展示了代理域的设置过程，为清晰起见，使用了三个示例。目标数据由每个源模型处理以获得特定于域的分类概率。对于每个样本，选择具有最高个体确定性的域的分类概率来构建代理域。这种方法确保了代理域由高置信度分类组成，从而更接近目标域。

图2.PrMI模块框架

C. 代理伪标签对齐 (PrPL)

PrPL采用了一种伪标记自监督方法，并在伪标记层面上引入代理域策略。如图3所示，为清晰起见，目标数据的形状和颜色分别表示每个样本的固有类别和分类结果。样本首先通过每个源模型的特征提取器处理，以获得中间特征。然后，这些特征经过k-means聚类。聚类结果显示，样本1在源1中被聚类（远离其聚类中心），但在源2中被正确分类（靠近中心）。根据到聚类中心的距离计算其置信度分数。该样本在源1中置信度低，但在源2中置信度高。因此，为了提高准确性，将其伪标记从源1替换为源2中的标签。

图3.PrPL模块框架

免责声明：原创仅代表原创编译，水平有限，仅供学术交流，如有侵权，请联系删除，文献解读如有疏漏之处，我们深表歉意。