基于原型表示的跨语料EEG情感识别无监督成对学习优化框架
信号处理
2025-08-19 v1 机器学习
摘要
情感计算是脑机接口领域快速发展的前沿研究方向。近年来，深度学习技术的引入极大推动了情感识别领域的发展。然而，由于被试间的生理差异以及实验环境和设备的变化，跨语料情感识别面临严峻挑战，尤其是决策边界附近的样本。为解决上述问题，我们提出一种基于域对抗迁移学习的优化方法，用于细粒度对齐情感特征，即最大分类器差异与成对学习（McdPL）框架。在McdPL中，我们设计了双对抗分类器（Ada分类器和RMS分类器），并应用三阶段对抗训练以最大化分类差异并最小化特征分布，从而对齐决策边界附近的争议样本。在域对抗训练过程中，两个分类器之间也保持对抗关系，最终实现精确的跨语料特征对齐。此外，成对学习的引入将样本分类问题转化为样本间的相似性问题，缓解了标签噪声的影响。我们使用公开的SEED、SEED-IV和SEED-V数据库对模型进行了系统性实验评估。结果表明，McdPL模型在跨语料情感识别任务中优于其他基线模型，平均准确率分别提升4.76%和3.97%。本研究为跨语料情感识别提供了有前景的解决方案。源代码可在https://github.com/WuCB-BCI/Mcd_PL获取。
引用
@article{arxiv.2508.11663,
title = {Unsupervised Pairwise Learning Optimization Framework for Cross-Corpus EEG-Based Emotion Recognition Based on Prototype Representation},
author = {Guangli Li and Canbiao Wu and Zhen Liang},
journal= {arXiv preprint arXiv:2508.11663},
year = {2025}
}