具有图匹配领域适应性的多尺度动态时间网络，用于跨主题脑电图情感识别

《IEEE Aerospace and Electronic Systems Magazine》：Multi-scale Dynamic Temporal Network with Graph Matching Domain Adaptation for Cross-Subject EEG Emotion Recognition

EEG情绪识别方法提出多尺度动态时空注意力机制与切比雪夫图匹配域自适应网络，解决跨个体特征提取与分布对齐问题，在SEED和DEAP数据集上准确率达94.69%和69.45%-67.52%。

　　

摘要：

脑电图（EEG）是一种强大且客观的情绪检测工具，在多个领域具有广泛的应用。然而，基于EEG的情绪识别面临两个主要挑战：（1）提取在个体差异引起的变化中仍能保持情绪相关信息的领域不变特征；（2）在特征空间中对不同个体的数据边缘分布和条件分布进行对齐。为了解决这些挑战，我们提出了一种新方法：多尺度动态时间网络与图匹配领域适应（Multi-scale Dynamic Temporal Network with Graph Matching Domain Adaptation），该方法专为跨受试者EEG情绪识别而设计。我们的方法采用多尺度动态时间注意力模块来提取稳健的领域不变特征，并利用基于切比雪夫图表示的领域适应网络，将情绪识别任务重新表述为图匹配问题。这种方法有效地实现了跨受试者数据分布的对齐。为了验证我们方法的有效性，我们在两个基准数据库（SEED和DEAP）上进行了广泛的实验，采用了三种不同的交叉验证协议。实验结果表明，该方法在受试者和会话之间具有稳定的可靠性。具体来说，在跨受试者单会话交叉验证任务中，我们的方法在SEED数据集上的准确率为94.69%±5.16%；在DEAP数据集上，我们的方法在情感价值（Valence）维度的准确率为69.45%±7.26%，在情感唤醒（Arousal）维度的准确率为67.52%±8.28%。这些结果表明，我们的方法优于现有的最先进方法。源代码可在此处获取：https://github.com/seizeall/MDTN-GMDA。