SDC-Net: 基于语义动态一致性的跨被试脑电情绪识别域适应框架
人机交互
2025-09-25 v2
摘要
基于脑电图（EEG）的情绪识别在情感脑机接口（aBCI）领域具有重要前景。然而，由于被试间差异性和目标域标记数据的稀缺性，其实际部署面临挑战。为克服这些限制，我们提出了SDC-Net，一种新颖的语义动态一致性域适应网络，用于完全无标签的跨被试EEG情绪识别。首先，我们引入了一种同被试同试次混合（Same-Subject Same-Trial Mixup）策略，通过试次内插值生成增强样本，在增强数据多样性的同时明确保留个体身份以减轻标签歧义。其次，我们在再生核希尔伯特空间（RKHS）中构建了一个动态分布对齐模块，通过多目标核均值嵌入联合对齐边缘分布和条件分布，并利用置信度感知的伪标签策略确保稳定适应。第三，我们提出了一种双域相似性一致性学习机制，基于潜在成对相似性施加跨域结构约束，促进语义边界学习，而无需依赖时间同步或标签先验。为验证所提SDC-Net的有效性和鲁棒性，在三个广泛使用的EEG基准数据集（SEED、SEED-IV和FACED）上进行了大量实验。与现有无监督域适应方法的比较结果表明，SDC-Net在跨被试和跨会话条件下的情绪识别中均达到了最先进的性能。这一进展显著提高了情绪解码的准确性和泛化能力，为个性化aBCI的实际应用奠定了坚实基础。源代码可在https://github.com/XuanSuTrum/SDC-Net获取。
引用
@article{arxiv.2507.17524,
title = {SDC-Net: A Domain Adaptation Framework with Semantic-Dynamic Consistency for Cross-Subject EEG Emotion Recognition},
author = {Jiahao Tang and Youjun Li and Xiangting Fan and Yangxuan Zheng and Siyuan Lu and Xueping Li and Peng Fang and Chenxi Li and Zi-Gang Huang},
journal= {arXiv preprint arXiv:2507.17524},
year = {2025}
}