基于条件概率域对抗网络的跨被试脑电情绪识别方法研究

为解决跨被试脑电(EEG)信号中个体差异导致的情绪识别难题，研究人员提出了一种基于条件概率的域对抗网络(CPDAN)。该研究通过分离背景特征与任务特征，结合全局与局部域对抗训练，显著提升了SEED和SEED-IV数据集上的分类准确率（最高提升22%），为脑机接口(BCI)中的个性化情感计算提供了新思路。

　　

脑电图(EEG)驱动的情绪识别技术正在情感计算领域掀起热潮。然而这些生物电信号天生爱"闹脾气"——非平稳性和非线性特质使得不同受试者的数据就像性格迥异的双胞胎，看似相似却暗藏玄机。以往研究试图用域适应方法弥合个体间的分布鸿沟，但传统策略像粗心的粉刷匠，把源域和目标域数据囫囵吞枣地整体对齐，却忽略了背景信号(background signals)对情绪信号(emotional signals)的干扰，导致分类边界像打翻的调色盘般模糊不清。

这项研究祭出的秘密武器CPDAN（条件概率域对抗网络）堪称"信号分离大师"，其双分支架构能像精密筛网般将EEG信号中的背景特征与任务特征巧妙解耦。更妙的是，它采用"双管齐下"的对抗训练策略：全局域对齐像外交官协调两国关系，而局部域优化则像显微镜下的细胞分选，双剑合璧使得同类样本亲密无间，异类样本泾渭分明。在SEED和SEED-IV这两个经典情绪数据库的实战检验中，CPDAN展现出令人惊艳的"读心术"——特别是在SEED-IV上以22%的准确率优势碾压传统方法，为跨被试脑机接口(BCI)的情感解码提供了新的"通用翻译器"。