动态分布对齐网络
跨被试情绪识别
通过动态对齐边缘与条件分布并置信过滤伪标签，在无标注目标域上实现了当前最优的跨被试、跨会话脑电情绪识别。
Tang, Jiahao · Li, Youjun · Su, Chunwang · Xiangting, Fan · Yangxuan, Zheng · Wang, Haoyu · Hadia, Naeem · Peng, Fang · 王珏 · Yao, Nan · 李学平 · 黄宁
Neurocomputing 2025
参数信息
- SEED数据集跨被试平均准确率
- 95.63 %
- SEED-IV数据集跨被试平均准确率
- 89.74 %
- DEAP数据集跨被试平均准确率（唤醒维）
- 84.53 %
- DEAP数据集跨被试平均准确率（效价维）
- 85.12 %
- SEED数据集跨会话平均准确率
- 93.42 %
- SEED-IV数据集跨会话平均准确率
- 88.29 %
- DEAP数据集跨会话平均准确率（唤醒维）
- 83.68 %
- DEAP数据集跨会话平均准确率（效价维）
- 84.92 %
技术优势
不用目标域标注
无监督域适应框架在训练时完全不需要目标被试的标签，仅通过边缘和条件分布对齐来适配新被试。
伪标签更可信
伪标签置信度过滤模块筛选高置信度预测来优化条件分布估计，减少错误标签对迁移的干扰。
跨情境性能优
实验表明所提方法在跨被试和跨会话等不同场景下均能达到当前最优情绪识别精度。
应用场景
- 情感脑机接口：直接提升个体差异下情绪识别的准确率和鲁棒性，无需长时间校准，可推动aBCI系统在真实场景中的普及。
- 可穿戴情绪监测：为可穿戴设备提供跨用户、跨会话的情绪识别算法，无需个人数据标注即可适应新用户。
- 个性化人机交互：无需用户标记情绪数据即可快速适配，降低个性化人机交互系统的学习成本。
- 机器人情感感知：帮助机器人跨个体理解人类情绪，提升服务机器人在非结构化环境中的情感感知能力。