英文标题：SEDA-EEG: A semi-supervised emotion recognition network with domain adaptation for cross-subject EEG analysis
成果简介
本文提出一种基于半监督和域对抗学习的跨被试脑电（EEG）情绪识别网络（SEDA-EEG），以应对脑机接口（BCI）研究中不同被试间EEG信号高度变异性的挑战。该方法将经线性动态系统处理的EEG信号微分熵特征作为输入，在显著降低噪声影响的同时，能够很好地反映EEG的本质变化，并捕捉信号随时间演变的隐式特征。同时，设计一个深度神经网络，通过捕捉数据中的关键模式来匹配样本与标签之间的相似性关系，从而提升了EEG信号的识别性能。此外，提出一个基于域对抗损失和离线特征分解半监督学习的域迁移模块，以增强跨领域知识泛化能力，实现跨领域特征对齐，并使模型更能适应目标数据。实验结果表明，所提出的SEDA-EEG达到了最先进的性能，在SEED-IV数据集上展现了更强的鲁棒性，优于其他先进模型12.90%，显示出其在面向EEG的跨被试情绪识别中的应用潜力。
研究方法
由于数据隐私和安全方面的顾虑，在现实世界中获取目标域的标签通常是一个成本高昂且艰巨的过程。因此，从源域数据开发出在目标域具有足够鲁棒性的模型显得尤为重要。为实现这一目标，所提出的网络包含标签对齐学习（LAL）和域迁移学习（DTL），其结构图如图1所示：
图1.所提出的SEDA-EEG的总体框架。
A.标签对齐学习（LAL）
为了从源域数据中学习原始EEG特征表示，提出一种有效的LAL方法。该方法包含三个关键步骤：特征深度提取、相似性矩阵构建和二值交叉熵（BCE）损失计算，通过这种方式，可通过同时调整样本与标签之间的相似性来有效提取EEG特征，从而实现鲁棒的情绪识别。
B.域迁移学习（DTL）
DTL的提出旨在提升被试无关识别的性能，其由域对抗（DA）单元和伪损失（PL）单元组成，返回一个综合迁移损失，以促进源域特征和目标域特征在高维空间中的对齐。
（1）域对抗（DA）单元
如图2所示，域对抗单元旨在通过主干网络减少对源域数据的过拟合，并提升对目标域的泛化能力。具体而言，首先分别为源域特征和目标域特征设置对应的域标签，然后依次通过梯度反转层（GRL）和域分类器获得预测的域标签，最后，真实域标签与预测域标签之间的差异通过交叉熵损失函数来衡量。
图2.域对抗学习。
（2）伪损失（PL）单元
如图3所示，提出PL单元旨在使主干网络更好地表征目标域数据，其包含伪标签生成和伪损失训练两个部分。
图3.伪损失学习。
研究结果
表1.对不同模型的平均性能比较。
表2.SEED-IV和SEED数据集上的分被试情绪识别结果
表3.对所提出模型的消融研究
图4.域迁移前后源域与目标域数据的分布差异可视化
表4.对PL单元中的𝜃进行敏感度分析
研究结论
为解决跨被试EEG信号识别中标记样本稀少和个体差异大的问题，本文提出一种新型网络SEDA-EEG。特别是，通过所提出的特征表示学习策略充分捕捉了通用EEG特征；基于域对抗损失和离线特征分解，设计一个精心设计的迁移学习过程来对齐域间差异，从而能够对EEG信号进行全面探索，并实现对跨被试EEG的鲁棒表征。大量实验表明，所提出的SEDA-EEG在基于EEG的跨被试情绪识别方面表现优异，在SEED-IV和SEED数据集上的平均准确率分别达到77.80%和86.39%，优于其他多个先进模型，且消融研究结果进一步证明所设计网络的有效性。
