基于动态定向时空图网络的无监督元域自适应方法在EEG情绪识别中的突破性应用

针对EEG信号时空动态性建模不足及跨被试泛化难题，研究人员提出UMDA-DDSTGN框架，通过构建动态定向时空图网络捕捉情绪刺激下的脑电拓扑变化，结合元域自适应策略实现无监督跨域对齐。实验在SEED/SEED-IV数据集上达到SOTA性能，为神经科学驱动的情绪计算提供新范式。

　　

情绪识别是神经科学与人工智能交叉领域的前沿课题。尽管脑电图(EEG)因其高时间分辨率和非伪装特性成为理想载体，现有方法仍面临两大瓶颈：传统CNN/RNN模型难以捕捉EEG通道间动态功能连接，而静态图神经网络(GNN)又无法表征情绪诱发时的拓扑结构变化；此外，个体间脑电信号差异导致模型跨被试性能骤降。针对这些问题，研究人员在《Knowledge-Based Systems》发表的研究中，创新性地将动态图表示与元学习策略相结合，开发出UMDA-DDSTGN框架。

关键技术包括：1)构建动态定向时空图，通过相位锁定值(PLV)量化通道间信息流向；2)设计多尺度残差时空卷积模块提取层次化特征；3)采用元自适应训练策略，在SEED/SEED-IV数据集上实现无监督域对齐。

【动态定向图构建】通过滑动窗口分析EEG信号相位关系，建立随时间演化的有向邻接矩阵，首次同时建模空间连接强度与信息传递方向。

【DDSTGN架构】引入图注意力机制(GAT)处理动态拓扑，配合膨胀因果卷积捕获多尺度时序模式，实验显示该模块使特征可分性提升23.6%。

【元域适应策略】在源域(15名被试)预训练后，利用目标域未标记数据通过MAML算法进行参数快速微调，跨被试准确率较传统方法提高12.4%。

研究结论表明，该方法在保持83.7%的subject-dependent精度同时，将subject-independent场景的F1-score提升至72.3%，显著优于COOL、Hypergraph-Enhanced等对比模型。讨论部分指出，动态有向图的构建机制有效揭示了前额叶-顶叶通路在情绪加工中的主导信息流，为脑功能网络研究提供新工具。这项工作不仅推进了可解释情感计算的发展，其元适应框架更为医疗场景下小样本脑机接口系统提供了实用解决方案。