基于多源域分离对抗自适应学习的EEG情绪识别模型构建与验证

为解决个体脑电(EEG)差异导致的情绪识别模型泛化性不足问题，研究人员开展多源域对抗自适应(DA)研究，提出独立源域匹配与自监督伪标签策略，在SEED、DREAMER等数据集上实现91.68%的跨被试准确率，为脑机接口(BCI)个性化医疗提供新范式。

　　

情绪识别技术的困境与突破
在医疗康复领域，准确捕捉患者情绪状态对治疗进程具有决定性作用。然而，脑电信号(EEG)如同人类指纹般存在显著个体差异，传统深度学习模型在面对新受试者或不同检测时段时，性能常出现断崖式下跌。这种"域偏移"(Domain Shift)现象，成为脑机接口(BCI)走向临床应用的阿喀琉斯之踵。现有域适应(DA)方法粗暴合并多被试数据，导致特征空间混乱；而单源域模型又面临数据匮乏的窘境。

中国某高校智能医疗团队在《Biomedical Signal Processing and Control》发表的研究，开创性提出"分而治之"策略。通过构建多源域分离对抗网络，将每个受试者EEG作为独立源域，配合动态特征匹配器与自监督伪标签机制，在SEED数据集实现95.42%的跨时段准确率，较传统方法提升近20%。这项技术突破，为抑郁症个性化诊疗、中风后情绪康复监测提供了可靠工具。

核心技术方法
研究采用三阶段架构：1) 图特征编码器(GFE)提取时-频-空多维特征；2) 独立域匹配器(IDM)通过对抗学习与判别网络(Discriminator)动态对齐源-目标域；3) 基于K-means++的伪标签生成模块，利用目标域特征聚类结果增强监督信号。实验涵盖SEED、SEED-IV和DREAMER三个公开数据集，采用留一法交叉验证。

关键研究发现
跨被试范式验证
在31名受试者的SEED数据集上，模型三分类准确率达91.68%，显著优于Deep Adaptation Network(DAN)的82.15%。对DREAMER数据集维度分析显示，支配性(Dominance)分类准确率82.62%，证实模型对高阶情感特征的捕捉能力。

跨时段稳定性测试
模拟临床长期监测场景，SEED-IV数据集四分类准确率81.89%。特别值得注意的是，模型对"恐惧"这类低唤醒度情绪的识别率提升13.6%，揭示时间域对抗学习有效缓解了电极漂移问题。

模块贡献度分析
消融实验表明：移除伪标签模块导致SEED准确率下降7.2%；而禁用独立域匹配器则引发21.4%的性能衰减，证实多源分离策略的核心价值。

临床转化价值
该研究开创了"单源-多适配"的EEG分析新范式：通过保留个体EEG特异性而非强制统一，更符合神经信号的生物学本质；自监督机制的引入，则巧妙化解了医疗场景标注数据稀缺的难题。在阿尔茨海默病情绪干预、自闭症谱系障碍社交训练等需要长期监测的领域，这种"即插即用"的适配能力展现出独特优势。未来研究可探索与经颅磁刺激(TMS)的闭环调控结合，推动BCI从监测走向干预。