自适应大间隔近邻度量学习（AdaLMNN）：面向基于脑电图（EEG）情绪识别的自适应大间隔近邻度量学习

《Signals》：AdaLMNN: Adaptive Large Margin Nearest Neighbor Metric Learning for EEG-Based Emotion Recognition

　　

基于脑电图（EEG）的情绪识别为情感脑机接口提供了重要的生理学基础。然而，高维EEG特征在试次、会话与受试者间存在差异，欧氏距离与传统仅源域大间隔近邻（LMNN）无法联合学习判别性几何结构并对跨域情绪分布对齐。为此，研究人员提出自适应大间隔近邻（AdaLMNN），一种面向EEG情绪识别的无监督域适应框架。AdaLMNN通过归一化大间隔判别、自适应边界与刷新的源域邻域来学习共享马氏投影（Mahalanobis projection）；进一步采用置信度引导的目标域伪标签、类平衡条件对齐及带调度优化的尺度正则，在不使用目标域真实标签的前提下降低源—目标失配。研究人员在合成数据及SEED、SEED-IV数据集上，于三种协议下使用支持向量机（SVM）、K近邻（KNN）和多层感知机（MLP）评估AdaLMNN。该方法显著提升了EEG情绪分类性能，尤其在同一会话内与会话级偏移下；跨受试者增益虽依赖数据集与分类器，但结果表明AdaLMNN可作为异构记录条件下可解释且可扩展的表示学习模块。

研究背景方面，基于脑电图（EEG）的情绪识别提供直接的神经活动生理测量，在神经康复、心理评估与人机交互中具有重要价值。但情绪模式分布于高维特征中，且随受试者与记录会话发生尺度与分布变化，导致源域所学模式难以迁移。现有流水线涵盖预处理、差分熵（DE）等特征提取及从KNN、SVM到CNN、图神经网络与Transformer的分类器；近期域适应研究转向多源迁移、图结构表示、伪标签驱动对齐与无源适应，但常缺乏对局部邻域几何与类特定距离结构的显式控制。传统大间隔近邻（LMNN）度量学习虽可通过拉合同类近邻、推远异类冒名者（impostor）提升判别性，但其仅源域监督、固定边界与静态邻域在EEG分布异构时易导致过收缩或错误排斥。因此，研究人员开展本研究，提出AdaLMNN以在共享马氏投影下耦合自适应大间隔判别与置信度引导的类条件对齐。

关键技术方法上，研究人员构建标注源域与无标注目标域的设定，学习线性投影L使平方马氏距离D_L(x_i,x_j)=‖L^T(x_i?x_j)‖²；采用归一化大间隔判别损失，含对偶与三元组归一化的拉（pull）推（push）项，边界m由初始投影几何的分位数估计并随优化刷新同类邻域；通过源域K近邻多数投票生成目标域伪标签，仅保留置信度超阈值的样本，计算类平衡条件最大均值差异（CMMD，class-balanced conditional maximum mean discrepancy），可选线性或RBF核；引入基于联合协方差的尺度正则防止崩溃或任意缩放，并以LMNN预热后按进度调度对齐权重，用Adam优化L、梯度截断、周期刷新邻域与伪标签，最终以SVM/KNN/MLP评估。样本队列来自合成高斯数据及公开SEED（15人×15片段×三分类）与SEED-IV（15人×3会话×24试次×四分类）的310维DE特征。

研究结果部分，第三章实验与结果显示：3.1合成数据验证中，原始特征准确率随重叠与噪声从77.78%降至40.28%，LMNN均值78.61%，AdaLMNN均值79.72%，t-SNE可见其训练—测试同类区域对应更紧密；3.2真实EEG数据采用SEED与SEED-IV的DE特征，310维；3.3协议分同一会话内（SEED 9源6靶、SEED-IV 16源8靶）、留一会话（45折）、留一受试者（15折）；3.4分类性能表明，同一会话内AdaLMNN提升全部三类分类器，SEED上SVM/KNN/MLP分别增广，SEED-IV亦正增益；留一会话下SVM与KNN提升而MLP略降；留一受试者下增益依赖数据集与分类器，SEED-IV中KNN与MLP有时下降。与PCA、TCA、CORAL比较，AdaLMNN在同一会话内最高（SEED 76.45%、SEED-IV 43.83%），会话级具竞争力，受试者级弱于TCA。图4显示其几何重组在试次与会话级最明显，跨受试者仍重叠。第四章讨论中，4.1参数敏感分析以SEED同一会话SVM网格搜索125配置，投影维度d为主因，最佳d=100、λ=0.1、μ=0.01达约76%内验精度；4.2消融实验证自适应边界+邻域刷新（AM+NR）与条件对齐（CA）互补，全模型最优；4.3收敛分析显示LMNN损失先降后稳，CMMD损失预热期零权、后升再降，约90迭代后稳定。

讨论与结论翻译部分，研究人员讨论指出投影维度主导性能，跨受试者异质性限制均匀稳定增益；消融支持两模块互补而非超加性协同；收敛轨迹反映调度权重而非发散。结论部分翻译如下：本文针对欧氏距离与传统仅源域LMNN无法联合建模判别性EEG特征几何及试次、会话、受试者相关分布偏移的问题，提出AdaLMNN这一无监督域适应方法，在共享马氏投影中集成归一化大间隔判别、置信度引导伪标签与类平衡条件对齐。合成数据及SEED、SEED-IV上的实验表明，AdaLMNN对EEG差分熵表示提供了有效且可解释的增强，尤其在试次与会话级分布偏移下。未来工作将发展非线性扩展并提升跨未知受试者的伪标签可靠性。论文发表于《Signals》。