边界感知原型驱动对抗对齐的跨语料 EEG 情绪识别
机器学习
2026-03-31 v1 信号处理
机器学习
摘要
基于脑电图（EEG）的情绪识别在模型跨异质数据集迁移时面临严重性能退化，原因包括生理变异、实验范式差异和设备不一致。现有的域对抗方法主要强制全局边际对齐，往往忽略类别条件不匹配和决策边界失真，限制了跨语料泛化。本工作中，我们提出一个统一的原型驱动对抗对齐（PAA）框架，用于跨语料 EEG 情绪识别。该框架以三种配置逐步实例化：PAA-L 执行基于原型的局部类别条件对齐；PAA-C 进一步引入对比语义正则化以增强类内紧凑性和类间可分性；PAA-M 为完整的边界感知配置，在三阶段对抗优化方案中整合双关系感知分类器，明确细化决策边界附近的争议样本。通过结合基于原型的子域对齐、对比判别增强和边界感知聚合，所提出的框架将情绪识别重新表述为关系驱动的表示学习问题，降低了对标签噪声的敏感性并提升了跨域稳定性。在 SEED、SEED-IV 和 SEED-V 上的广泛实验在四种跨语料评估协议下取得了最先进性能，平均提升分别为 6.72\%、5.59\%、6.69\% 和 4.83\%。此外，所提出的框架在临床抑郁症识别场景中有效泛化，验证了其在真实世界异质环境中的鲁棒性。源代码可在 \textit{https://github.com/WuCB-BCI/PAA} 获取。
引用
@article{arxiv.2603.26713,
title = {Boundary-aware Prototype-driven Adversarial Alignment for Cross-Corpus EEG Emotion Recognition},
author = {Guangli Li and Canbiao Wu and Na Tian and Li Zhang and Zhen Liang},
journal= {arXiv preprint arXiv:2603.26713},
year = {2026}
}