基于域与类别原型的 EEG 情绪识别双学习框架 PL-DCP
机器学习
2025-08-08 v2 人工智能
人机交互
信号处理
摘要
脑电图（EEG）信号是情感型脑-计算机接口（aBCI）中重要的工具，在情感计算领域发挥关键作用。近年来，深度学习技术的引入显著推动了aBCI的发展。然而，当前基于深度迁移学习的情绪识别方法面临模型同时依赖源域和目标域以及标签噪声影响的问题，严重制约模型性能与泛化能力。为克服此限制，本文提出一种针对未见目标条件下EEG情绪识别的双学习框架，集成特征解耦与原型推断概念，称为带域与类别原型的双学习框架（PL-DCP）。该框架的特征解耦模块提取并解耦情绪EEG特征，形成域特征与类别特征，并进一步计算双重原型表示。域原型捕捉受试者间的个体差异，而类别原型捕捉情绪类别间的普遍共性。此外，双学习策略有效降低错误标签造成的噪声影响。PL-DCP框架在公开数据集 SEED、SEED-IV 和 SEED-V 上进行了系统性实验评估，准确率分别为 82.88%、65.15% 和 61.29%。结果表明，尽管训练期间目标域完全未见，PL-DCP模型仍比需同时依赖源域和目标域数据的深度迁移学习方法略有提升，展现出较好的性能。本工作为情绪识别提供了有效且稳健的潜在解决方案。源码可在 https://github.com/WuCB-BCI/PL_DCP 查阅。
引用
@article{arxiv.2412.00082,
title = {PL-DCP: A Pairwise Learning framework with Domain and Class Prototypes for EEG emotion recognition under unseen target conditions},
author = {Guangli Li and Canbiao Wu and Zhehao Zhou and Tuo Sun and Ping Tan and Li Zhang and Zhen Liang},
journal= {arXiv preprint arXiv:2412.00082},
year = {2025}
}