6514
0
2026-03-02
2026-03-02
近日，團(tuán)隊(duì)2023級本科生陳榮滔、洪喆沛、李麗婷、黃卓儀在潘家輝教授和李景聰副教授的聯(lián)合指導(dǎo)下，以本科生第一作者身份完成的論文"Multi-Scale Dynamic Temporal Network with Graph Matching Domain Adaptation for Cross-Subject EEG Emotion Recognition"被IEEE Transactions on Affective Computing正式接收發(fā)表。該期刊是中國人工智能學(xué)會（CAAI）推薦的A類國際期刊，中科院一區(qū)TOP期刊，最新影響因子9.8，是情感計(jì)算與腦機(jī)接口領(lǐng)域的國際頂級刊物。
破解跨被試腦電識別難題
腦電（EEG）情緒識別作為情感計(jì)算的核心技術(shù)，在智能醫(yī)療、人機(jī)交互等領(lǐng)域具有廣闊應(yīng)用前景。然而，跨被試場景下的模型泛化一直是困擾學(xué)界已久的"卡脖子"難題——由于個(gè)體間腦電信號存在顯著的分布差異（非平穩(wěn)性），傳統(tǒng)方法難以提取域不變特征，且無法精準(zhǔn)對齊不同個(gè)體的數(shù)據(jù)分布，導(dǎo)致模型在新用戶身上性能驟降。
圖1：Multi-Scale Dynamic Temporal Network模型整體框架圖
針對上述挑戰(zhàn)，該研究團(tuán)隊(duì)創(chuàng)新性地提出了基于圖匹配域適應(yīng)的多尺度動態(tài)時(shí)序網(wǎng)絡(luò)（MDTNet）。該網(wǎng)絡(luò)架構(gòu)包含兩大核心突破：
多尺度動態(tài)時(shí)序注意力機(jī)制（DTA）：不同于傳統(tǒng)的時(shí)空聯(lián)合建模，該模塊專注于時(shí)序維度的深度挖掘。通過并行多尺度卷積核捕捉長短時(shí)程的情緒動態(tài)，結(jié)合多頭注意力機(jī)制進(jìn)行自適應(yīng)特征融合，并引入上下文門控層（Contextual Gate）利用全局批次信息抑制個(gè)體特異性噪聲，有效提取出魯棒的多尺度域不變特征。
切比雪夫圖匹配域適應(yīng)框架：團(tuán)隊(duì)開創(chuàng)性地將跨被試適應(yīng)任務(wù)重塑為圖匹配問題。通過動態(tài)學(xué)習(xí)基于切比雪夫多項(xiàng)式的鄰接矩陣，構(gòu)建可學(xué)習(xí)的腦功能連接圖，在譜域空間實(shí)現(xiàn)了源域與目標(biāo)域的邊際分布與條件分布細(xì)粒度對齊。這一方法突破了傳統(tǒng)對抗域適應(yīng)的局限，通過結(jié)構(gòu)化表示學(xué)習(xí)實(shí)現(xiàn)了跨個(gè)體知識的高效遷移。
實(shí)驗(yàn)性能優(yōu)異
為驗(yàn)證模型泛化能力，團(tuán)隊(duì)在SEED和DEAP兩大權(quán)威基準(zhǔn)數(shù)據(jù)集上開展了系統(tǒng)的跨被試實(shí)驗(yàn)。在最具挑戰(zhàn)性的跨被試單會話（Leave-One-Subject-Out）協(xié)議下，該方法在SEED三分類任務(wù)上取得了94.69%±5.16%的平均準(zhǔn)確率，在DEAP數(shù)據(jù)集的二分類Valence和Arousal維度分別達(dá)到了69.45%±7.26%和67.52%±8.28%的準(zhǔn)確率，顯著優(yōu)于現(xiàn)有主流域適應(yīng)方法（如DANN、GDAKF等），達(dá)到國際領(lǐng)先水平（State-of-the-Art）。
可視化分析進(jìn)一步揭示了模型的域?qū)R能力：經(jīng)動態(tài)圖匹配處理后，原本因個(gè)體差異而混淆的特征分布被精準(zhǔn)映射至各自的情感聚類中心，決策邊界清晰度顯著提升，充分驗(yàn)證了圖匹配機(jī)制在跨被試腦電遷移中的有效性。
圖2：數(shù)據(jù)對齊分布圖
下一步計(jì)劃
該論文成果源自省級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目“基于多尺度動態(tài)時(shí)間特征融合和圖域自適應(yīng)的意識障礙輔助診斷系統(tǒng)”，從項(xiàng)目啟動到論文錄用歷時(shí)16個(gè)月。研究團(tuán)隊(duì)表示，盡管當(dāng)前模型已取得突破，未來工作將聚焦于更精細(xì)的時(shí)間粒度建模（如引入時(shí)序Transformer架構(gòu)）及更高效的條件概率對齊策略（如基于原型學(xué)習(xí)的自適應(yīng)對齊），計(jì)劃在跨數(shù)據(jù)集（Cross-Dataset）場景下進(jìn)一步驗(yàn)證模型的泛化邊界。同時(shí)，團(tuán)隊(duì)將繼續(xù)推進(jìn)臨床應(yīng)用研究，為醫(yī)生和患者提供智能診療服務(wù)。
