编辑推荐：
EEG情感识别中的跨主体域适应问题通过AGCDAN模型解决，其构建自适应图捕获动态空间特征，结合多分支网络与无判别器对抗学习实现分布对齐，并在SEED/SEED-IV/DEAP数据集上取得89.68%/68.61%/68.13%的识别精度，优于现有SOTA方法。
基于脑电图（EEG）的情绪识别对于情感脑机接口（aBCI）系统的进步至关重要。然而，在跨受试者场景中，EEG信号的动态特性和个体差异显著阻碍了知识迁移，从而导致模型在之前未见过的目标领域的性能下降。为了克服这些限制，我们设计了一种创新的领域适应模型——自适应图卷积领域适应网络（AGCDAN），该模型能够捕捉EEG信号的动态空间信息，并通过领域适应来对齐边际分布和条件分布，从而减少领域间的分布差异。具体而言，首先基于从EEG信号中提取的差分熵特征构建自适应图，以提取动态的频率-空间表示。然后使用多分支神经网络为每个源领域和目标领域分别提取定制的特征表示。接下来，采用无判别器的对抗学习来对齐边际分布，并引入由标签信息引导的子领域度量学习以实现条件分布的对齐。最后，结合决策融合策略的领域特定分类器生成最终的情绪预测。我们在三个数据集（SEED、SEED-IV、DEAP）上对AGCDAN进行了跨受试者情绪识别的多源领域适应评估，分别取得了89.68%、68.61%和68.13%的识别准确率，显示出其优于当前最先进（SOTA）领域适应技术在跨受试者情绪识别方面的性能，证明了其在建模动态情绪状态和减少负面迁移效应方面的强大能力。
基于脑电图（EEG）的情绪识别对于情感脑机接口（aBCI）系统的进步至关重要。然而，在跨受试者场景中，EEG信号的动态特性和个体差异显著阻碍了知识迁移，从而导致模型在之前未见过的目标领域的性能下降。为了克服这些限制，我们设计了一种创新的领域适应模型——自适应图卷积领域适应网络（AGCDAN），该模型能够捕捉EEG信号的动态空间信息，并通过领域适应来对齐边际分布和条件分布，从而减少领域间的分布差异。具体而言，首先基于从EEG信号中提取的差分熵特征构建自适应图，以提取动态的频率-空间表示。然后使用多分支神经网络为每个源领域和目标领域分别提取定制的特征表示。接下来，采用无判别器的对抗学习来对齐边际分布，并引入由标签信息引导的子领域度量学习以实现条件分布的对齐。最后，结合决策融合策略的领域特定分类器生成最终的情绪预测。我们在三个数据集（SEED、SEED-IV、DEAP）上对AGCDAN进行了跨受试者情绪识别的多源领域适应评估，分别取得了89.68%、68.61%和68.13%的识别准确率，显示出其优于当前最先进（SOTA）领域适应技术在跨受试者情绪识别方面的性能，证明了其在建模动态情绪状态和减少负面迁移效应方面的强大能力。
生物通 版权所有
