基于动态分布对齐的无监督域自适应网络（UDA-DDA）在脑电信号情绪识别中的突破与应用

本文提出一种创新的无监督域自适应框架UDA-DDA，通过动态对齐脑电（EEG）信号的边际（MPD）和条件概率分布（CPD），结合伪标签置信过滤机制，显著提升跨被试和跨会话情境下的情绪识别准确率与泛化能力，为个性化情感脑机接口（aBCI）的发展提供关键技术支撑。

　　

Highlight

本研究针对情感脑机接口（aBCI）中个体差异导致的脑电（EEG）信号分布偏移问题，提出了一种融合动态分布对齐与伪标签优化的无监督域自适应框架（UDA-DDA）。该框架通过最大均值差异（MMD）和条件最大均值差异（CMMD）实现源域与目标域的边际与条件分布同步对齐，并引入动态权重调整机制与置信度过滤策略，显著提升模型在跨被试及跨会话场景下的鲁棒性。

Methodology

The proposed approach

本文提出了一种基于EEG数据的跨被试情感检测学习框架，包含四个核心模块：基于最大均值差异（MMD）的边际概率分布（MPD）对齐、基于条件最大均值差异（CMMD）的条件概率分布（CPD）对齐、联合分布动态调整机制以及无监督伪标签优化算法。如图1所示，框架首先从源域（$$）和目标域（$$）提取特征，利用MMD对齐其MPD，随后通过分类器生成目标域伪标签，并基于CMMD迭代优化CPD对齐。动态权重机制根据训练阶段自适应调整MPD与CPD的对齐强度，而置信过滤模块则筛选高置信度伪标签以提升条件分布估计的准确性。

Experiments

Emotion datasets

本研究在三个标准EEG情感数据集（SEED、SEED-IV和DEAP）上验证模型性能。SEED数据集包含15名被试观看情感影片诱发正、中、负三种情绪的三次会话实验；SEED-IV扩展至四种情绪类别；DEAP数据集则记录32名被试观看音乐视频时的脑电与生理信号，并采用效价-唤醒度二维情感模型进行标注。

Discussion

为全面评估UDA-DDA模块中不同配置的影响，我们在SEED数据集的首次会话中进行了系列实验，采用跨被试单会话交叉验证协议，结果证实动态对齐机制与伪标签优化策略显著提升模型泛化能力，且在不同情绪类别间保持稳定性能。

Conclusion

UDA-DDA通过动态分布对齐与伪标签置信过滤，有效解决了EEG情感识别中的域偏移问题，在多个基准数据集上实现了领先的跨域分类性能，为个性化aBCI系统的实际部署提供了可靠技术路径。