英文标题：SSAS: Cross-subject EEG-based Emotion Recognition through Source Selection with Adversarial Strategy
成果简介
脑电（EEG）信号因其在情感脑机接口（BCI）领域的广泛应用而备受关注。跨受试者EEG情感识别在实际应用中展现出显著优势，因其能够适应不同个体间的生理差异，具有更强的泛化能力。然而，现有研究普遍存在局限性：多数方法在模型训练过程中未充分考虑个体特异性导致的域间差异，以及负迁移现象对模型性能的负面影响。针对这一问题，本文提出了一种基于源选择与对抗策略的跨受试者EEG情感识别方法。该方法包含源选择网络（SS）和对抗策略网络（AS）两个核心模块。SS通过域标签逆向工程域自适应训练过程，其核心机制在于破坏类别可分性并放大域间差异。这一设计迫使模型在学习过程中聚焦于域不变特征，同时保留与情感相关的判别信息。AS接收SS模块的源域选择结果及预训练的域判别器，通过计算一种新颖的损失函数，增强对抗训练中域分类任务的性能，从而确保域间特征对齐的平衡性。本文不仅为所提方法提供了理论分析，还通过实验验证其在两个公开EEG情感数据集（SEED和SEED-IV）上的优越性，显著提升了跨受试者情感识别的准确率与鲁棒性。先关代码见https://github.com/liuyici/SSAS。
研究方法
源域的相似性度量与准确率之间的关系如图1所示。其中，横轴上A 和 B 表示不同的数据集。
基本框架如图2所示，SSAS由源选择网络SS和对抗域适应网络AS两个模块组成，以实现跨受试者的基于EEG的情感识别。
源域选择对齐SS：SS 并不执行情绪标签分类，而是建立一个能够识别目标域（测试集）所属域的模型。由于在跨主体 EEG 信号分析中可区分性与可迁移性之间存在权衡，学习情绪标签的域不变表示知识可能导致域间可分性降低。因此，在 SS 模块的情绪分类分支中应用了 GRL，在反向传播过程中反转情绪分类损失的梯度。这种对抗机制干扰模型对情绪标签信息的学习，从而保留（甚至增强）不同领域之间的差异（保持领域可分性）。具体流程如下图所示
用于对抗策略的域自适应网络AS：在AS中，GRL附加在域分类分支上，因此在反向传播过程中，域分类损失的梯度会被反转。这种对抗性设置会干扰域判别器，并迫使特征提取器学习域不变特征。同时，情感分类分支是正常训练的，没有GRL（即其损失在反向传播过程中不进行取反）。这种设计确保源域和目标域的特征分布变得更加相似，从而使模型能够更好地适应目标域。
其中，在 SSAS 中设置超参数的值如下表所示：
研究结果
研究结论
本研究提出了 一种将可学习的源选择阶段与对抗适应相结合的领域适应框架SSAS。其核心思想是逆向模拟机制，通过使用领域标签来量化源的可迁移性，并选择与目标领域最相关的源领域。随后，SSAS 执行双重适应——通过对抗学习减少领域间可分性，并通过最小化 MMD 实现跨主体对齐——同时，最小化分类器差异损失约束两个阶段判别器之间的差异，防止过早的领域混淆。理论分析收紧了误差界限，而大量实验证明了其一致的效果提升，尤其是在存在低质量源时表现尤为明显。
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。
