迈向实用的情感识别：一种用于脑电域适应的无源无监督方法

情感识别对于推进心理健康、医疗保健以及脑机接口（BCI）等技术至关重要。然而，由于标注数据成本高昂以及个体差异和记录条件导致的脑电（EEG）信号变化，基于EEG的情感识别模型在跨领域应用中面临挑战。无监督域适应方法通常需要访问源域数据，但由于隐私和计算限制，这在现实场景中并不总是可行的。无源无监督域适应（SF-UDA）最近作为一种解决方案出现，它可以在没有源数据的情况下实现目标域适应，但其在情感识别中的应用仍有待探索。我们提出了一种新颖的SF-UDA方法，用于跨域的基于EEG的情感分类，引入了一个多阶段框架，在不需要源数据的情况下增强模型的适应性。我们的方法结合了双重损失自适应正则化（DLAR），以最小化置信样本上的预测差异，并使预测与预期的伪标签对齐。此外，我们引入了局部一致性学习（LCL），通过促进可靠邻居的相似预测来强制局部一致性。这些技术共同解决了领域偏移并减少了噪声伪标签的影响，这是传统SF-UDA模型中的关键挑战。在两个广泛使用的数据集DEAP和SEED上的实验证明了我们方法的有效性。我们的方法显著优于SOTA方法，在DEAP上训练并在SEED上测试时达到65.84%的准确率，在反向场景中达到58.99%的准确率。它在检测积极和消极情绪方面表现出色，非常适合实用的情感识别应用。