基于原型图标签传播与原型对齐的无监督域适应用于EEG情绪识别

《Frontiers in Neuroscience》：Prototypical graph based deep label propagation with semantic augmentation for cross-subject and cross-session EEG emotion recognition

　　

本文提出一种基于原型图标签传播（Prototype-based Graph Label Propagation, PGDLP）与原型对齐网络的无监督域适应（Unsupervised Domain Adaptation, UDA）方法，用于解决EEG（Electroencephalogram）基于情绪的跨被试识别中源域与目标域间的分布偏移问题。研究人员通过在目标域引入类别原型（Class Prototype, μc）增强的早期伪标签生成机制，构建由样本节点与类别原型节点组成的二部图（Bipartite Graph），采用参数化标签预测（Parameterized Label Prediction）与软分配矩阵Z进行标签传播（Label Propagation, LP），并结合类内原型对比损失（Intra-domain Prototypical Contrastive Loss, Lintra）与跨域原型对齐损失（Inter-domain Prototype Alignment Loss, Linter）实现判别性与可迁移性的联合优化。该方法在SEED、SEED-IV及DEAP数据集上的实验表明，相比现有UDA基线方法可获得更优的平均识别准确率，且对早期伪标签噪声具鲁棒性。

论文解读：Prototypical Graph-based Label Propagation with Prototype Alignment Network for Unsupervised Domain Adaptation in EEG Emotion Recognition（《Frontiers in Neuroscience》）

---

研究背景与问题

EEG情绪识别在脑机接口（Brain-Computer Interface, BCI）中有重要应用，但跨被试（cross-subject）差异导致特征分布偏移，使在源被试上训练的模型无法直接泛化至目标被试。无监督域适应（Unsupervised Domain Adaptation, UDA）利用带标签的源域数据和无标签的目标域数据缓解此问题，但现有UDA方法面临：（1）早期训练阶段伪标签（Pseudo-label）含大量噪声，置信度阈值筛选不稳定；（2）全局分布对齐忽略类内结构，易导致"类混杂"（class collision）；（3）传统标签传播依赖全样本相似度矩阵，计算量大且对噪声敏感；（4）EEG信号受个体、会话、电极差异影响，直接应用原型对比学习易误聚类。因此需一种能利用类别语义结构、抑制伪标签噪声传播、兼顾类内紧致与跨域对齐的UDA框架。

本文研究人员提出PGDLP——基于原型图（Prototypical Graph）的标签传播方法与原型对齐网络（Prototypical Alignment Network），通过类别原型构建样本—原型二部图进行标签传播，并以自适应平衡因子融合类内原型对比学习与跨域原型对齐，实现鲁棒的无监督EEG情绪识别域适应。

---

主要关键技术方法

采用SEED（15被试，三分类）、SEED-IV（15被试，四分类）及DEAP（32被试筛选14人，三分类Valence维度）公开EEG数据集；差分熵（Differential Entropy, DE）特征提取为62×5（SEED）或32×5（DEAP）维/秒；ResNet-101预训练提取深度特征作为图节点输入；PGDLP流程：①源域有监督预训练→②迭代交替——(a)按当前特征计算源/目标类别原型μ_c^s、μ_c^t，对目标域特征做K倍原型增强（Prototype Augmentation, V_t^c←V_t^c∪?_θ(X_t^c)，n_t^c←(K+1)×n_t^c)；(b)按软分配Z_ic=exp(-‖v_i-μ_c‖2/τ)/Σ_kexp(·)构建原型图邻接矩阵W=ZΛ^-1Z^?（Λ对角为Σ_iZ_ic），图拉普拉斯L=I-ZΛ^-1Z^?；(c)参数化标签预测?=ZA（A为C×C可学投影），交替优化Z（固定点迭代）、A（闭式解）、μ（指数滑动平均μ_iter=(1-ρ)μ_iter-1+ρ?^?V，ρ=0.996），得目标伪标签；(d)总损失L=L_ce（加权交叉熵含熵不确定度权重σ?_i=1-H(?_i)/log(C)与类别逆频率ζ_c）+λ_AL_pa（L_pa=αL_intra+(1-α)L_inter，L_intra=源/目标域ProtoNCE损失，L_inter=源特征?目标原型对比+源/目标同类原型NT-Xent对比）+γL_con（一致性损失）+βL_MI（互信息最大化））；自适应平衡因子α?=d_A^Intra/(d_A^Intra+d_A^Inter)，聚类浓度温度τ_c^s/t=Σ‖v_j-μ_c‖?2/(n_c^s/t·log(n_c^s/t+δ_c))。

---

研究结果

3.2.5 Label propagation on prototypical graph（原型图上标签传播）

采用Zhou et al.(2003)基于图的转导标签传播框架，以对称归一化邻接矩阵W=D^-1/2WD^-1/2（D=diag(W·1_n)）和图拉普拉斯L=D-W最小化Tr(?^?L?)加有标签平方误差，得到标准LP公式。

3.2.6 Parameterized label prediction（参数化标签预测）

引入线性投影A（C个基函数），令?=ZA（Z来自样本—原型软分配矩阵），代入LP目标得关于A的凸优化问题A^*=argmin_A‖Z_sA-Y_s‖_F²+(λ_M/2)Tr(A^?Z^?LZA)，限制过拟合固定W时的LP，A_iter有闭式解。

3.2.7 Prototype-based graph construction（基于原型的图构建）

以类别原型μ_c（c=1,…,C）为隐节点，样本—原型软分配Z（Eq.7）构建二部图，邻接矩阵重构为W=ZΛ^-1Z^?，W_ij=Σ_cz_icz_jc/Λ_cc等价于两跳马尔可夫随机游走p(v_i|v_j)=Σ_cp(v_i|μ_c)p(μ_c|v_j)，图随原型更新而动态变化。

3.2.8 Prototype-based label propagation（基于原型的标签传播/PGDLP）

联合参数化LP与原型图得最小化目标：min_A,Z,μ(1/2)‖Z_sA-Y_s‖_F²+(λ_M/2)Tr(A^?Z^?(I-ZΛ^-1Z^?)ZA)，推断?_iter=Z_iterA_iter。

3.2.9 Optimization（优化）

交替更新：(1)Z固定μ——按Eq.7软分配（约束Σ_cz_ic=1）；(2)A固定Z,μ——闭式解(Eq.21)得A_iter，?_iter=Z_iterA_iter；(3)μ固定Z,A——按软伪标签加权平均更新(Eq.24)，指数滑动平均稳定(Eq.25, ρ=0.996)；迭代至收敛。

3.2.10 Prototypical alignment network（原型对齐网络）

改进ProtoNCE为域分别的类内原型对比（源特征?源原型、目标特征（含增强）×目标原型）与跨域原型对比（同源类源/目标原型为正、异类/异域原型为负，NT-Xent损失），合为L_pa=αL_intra+(1-α)L_inter。

3.2.11 Intra-domain alignment（类内对齐）

L_intra^t=-log[exp(?(x_i)·μ_c^t/τ_c^t)/(exp(?(x_i)·μ_c^t/τ_c^t)+Σ_k≠cexp(?(x_i)·μ_k^t/τ_c^t))对所有x_i∈X_t^c，同理L_intra^s，L_intra=L_intra^t+L_intra^s。

3.2.12 Inter-domain alignment（跨域对齐）

L_inst为源特征?目标同类原型对比（同Eq.26形式，μ_c^t替换μ_c^s），L_proto为跨域同类原型NT-Xent对比，L_inter=L_inst+L_proto。

3.3 Alternating optimization algorithm（交替优化算法）

预训练T₁轮有监督→循环M轮：(a)提取特征计算原型与增强目标集；(b)构建原型图做PGDLP得目标伪标签；(c)用总损失L(Eq.35=L_ce+λ_AL_pa+γL_con+βL_MI)微调骨干网络T₂步)→最终模型用于目标推理argmax_cf_θ(x_j^t)_jc。

4.1 Balance factor for prototype alignment（原型对齐平衡因子）

依据域适应理论?_t(h)≤?_s(h)+(1/2)d_HΔH(D_s,D_t)+λ^*，L_inter缩d_HΔH但可能损判别性增λ^*，故引入自适应α?=d_A^Intra/(d_A^Intra+d_A^Inter)，d_A^Intra/Inter=2(1-2L_clu^Intra/Inter)，每轮epoch更新。

4.2 Clustering concentration estimation（聚类集中程度估计）

按类内样本到原型平均距离与类大小反比设温度τ_c^s/t=Σ‖v_j-μ_c^s/t‖?2/[n_c^s/t·log(n_c^s/t+δ_c)]（δ_c=exp(-|n_c^s/t|)/√(2π)），松散簇大τ削弱pull-in力度防平凡解。

---

讨论与结论总结

研究人员证明所提PGDLP框架通过类别原型聚合抑制了早期伪标签噪声对标签传播的影响（少量离群特征难移原型质心），原型图将O(n2)全样本相似度降为O(nC)样本—原型计算且等价两跳扩散，参数化投影A防止固定图过拟合，指数滑动平均更新原型保证稳定性。自适应平衡因子α依据类内/类间A-distance动态调节，理论上有助同时压低HΔH距离d与联合误差λ^*，收紧目标误差上界。每类独立聚类浓度温度τ_c使原型对比损失自适应类分布形态。在SEED、SEED-IV及DEAP数据集上PGDLP优于DANN、CDAN、CAN、Bi-DANN等UDA基线，验证了原型图标签传播与原型对齐联合优化在无监督跨被试EEG情绪识别中的有效性。论文发表于《Frontiers in Neuroscience》。