6523
0
2026-03-02
2026-03-02
近日，團隊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，是情感計算與腦機接口領(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算的核心技術(shù)，在智能醫(yī)療、人機交互等領(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界已久的"卡脖子"難題——由于個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，且無法精準對齊不同個體的數(shù)據(jù)分布，導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)，該研究團隊創(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)時序注意力機制（DTA）：不同于傳統(tǒng)的時空聯(lián)合建模，該模塊專注于時序維度的深度挖掘。通過并行多尺度卷積核捕捉長短時程的情緒動態(tài)，結(jié)合多頭注意力機制進行自適應(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：團隊開創(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)學習基于切比雪夫多項式的鄰接矩陣，構(gòu)建可學習的腦功能連接圖，在譜域空間實現(xiàn)了源域與目標域的邊際分布與條件分布細粒度對齊。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)化表示學習實現(xiàn)了跨個體知識的高效遷移。
實驗性能優(yōu)異
為驗證模型泛化能力，團隊在SEED和DEAP兩大權(quán)威基準數(shù)據(jù)集上開展了系統(tǒng)的跨被試實驗。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%的平均準確率，在DEAP數(shù)據(jù)集的二分類Valence和Arousal維度分別達到了69.45%±7.26%和67.52%±8.28%的準確率，顯著優(yōu)于現(xiàn)有主流域適應(yīng)方法（如DANN、GDAKF等），達到國際領(lǐng)先水平（State-of-the-Art）。
可視化分析進一步揭示了模型的域?qū)R能力：經(jīng)動態(tài)圖匹配處理后，原本因個體差異而混淆的特征分布被精準映射至各自的情感聚類中心，決策邊界清晰度顯著提升，充分驗證了圖匹配機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
下一步計劃
該論文成果源自省級大學生創(chuàng)新創(chuàng)業(yè)訓練項目“基于多尺度動態(tài)時間特征融合和圖域自適應(yīng)的意識障礙輔助診斷系統(tǒng)”，從項目啟動到論文錄用歷時16個月。研究團隊表示，盡管當前模型已取得突破，未來工作將聚焦于更精細的時間粒度建模（如引入時序Transformer架構(gòu)）及更高效的條件概率對齊策略（如基于原型學習的自適應(yīng)對齊），計劃在跨數(shù)據(jù)集（Cross-Dataset）場景下進一步驗證模型的泛化邊界。同時，團隊將繼續(xù)推進臨床應(yīng)用研究，為醫(yī)生和患者提供智能診療服務(wù)。
