3118
0
2026-04-16
2026-04-16
華南師范大學(xué)人工智能學(xué)院本科生洪喆沛、陳榮滔、李麗婷、陳佳俊（4人均為本科生）在潘家輝教授和高煒副研究員的聯(lián)合指導(dǎo)下，完成論文《HEAT: Hierarchical Emotion Adaptation with Progressive Thresholding for EEG Emotion and Consciousness Detection》，獲中科院生物醫(yī)學(xué)工程領(lǐng)域SCI二區(qū)期刊Biomedical Signal Processing and Control正式接收。該論文聚焦跨被試腦電信號(hào)分布差異大、目標(biāo)域標(biāo)注稀缺以及臨床意識(shí)狀態(tài)評(píng)估缺乏客觀(guān)量化工具等問(wèn)題，系統(tǒng)驗(yàn)證了所提方法在公開(kāi)數(shù)據(jù)集與真實(shí)意識(shí)障礙數(shù)據(jù)上的有效性。
聚焦跨被試腦電分析中的關(guān)鍵難題
腦電情緒識(shí)別是情感計(jì)算與腦機(jī)接口研究中的重要方向，但不同個(gè)體之間存在顯著的生理差異與信號(hào)分布漂移，這使得模型在跨被試場(chǎng)景下很難保持穩(wěn)定性能。已有域適應(yīng)方法往往更關(guān)注整體分布對(duì)齊，卻較少兼顧不同情緒類(lèi)別之間的細(xì)粒度差異。同時(shí)，傳統(tǒng)偽標(biāo)簽策略通常依賴(lài)固定閾值，難以隨著訓(xùn)練進(jìn)程動(dòng)態(tài)調(diào)整對(duì)無(wú)標(biāo)注樣本的利用方式，因而限制了模型的泛化能力。圍繞這些問(wèn)題，論文提出了一套兼顧全局遷移、類(lèi)別判別與漸進(jìn)學(xué)習(xí)的新框架。
HEAT框架兼顧全局對(duì)齊與類(lèi)別判別
HEAT 的核心由兩部分組成。其一是分層對(duì)抗對(duì)齊機(jī)制，該模塊同時(shí)建?？绫辉嚬蚕淼娜址植寂c不同情緒類(lèi)別對(duì)應(yīng)的局部分布，并通過(guò)自適應(yīng)權(quán)重在兩者之間動(dòng)態(tài)平衡，使模型在學(xué)習(xí)域不變特征的同時(shí)保留情緒相關(guān)神經(jīng)模式。其二是漸進(jìn)式偽標(biāo)簽策略，該策略按照由易到難的思路逐步提高置信度閾值，并結(jié)合概率校準(zhǔn)機(jī)制提升無(wú)標(biāo)注目標(biāo)域樣本的利用質(zhì)量，從而緩解早期偽標(biāo)簽噪聲帶來(lái)的干擾。兩部分共同作用，使模型可以在端到端訓(xùn)練過(guò)程中持續(xù)優(yōu)化跨域識(shí)別能力。
圖1 HEAT框架整體示意圖
在公開(kāi)數(shù)據(jù)集上取得穩(wěn)定優(yōu)勢(shì)
在跨被試情緒識(shí)別實(shí)驗(yàn)中，研究采用留一被試交叉驗(yàn)證設(shè)置，在 SEED 和 SEED-IV 兩個(gè)公開(kāi)基準(zhǔn)數(shù)據(jù)集上對(duì)模型進(jìn)行了系統(tǒng)評(píng)估。結(jié)果顯示，HEAT 在 SEED 上取得了 95.37% ± 5.17% 的平均準(zhǔn)確率，在 SEED-IV 上取得了 82.50% ± 9.28% 的平均準(zhǔn)確率，整體表現(xiàn)優(yōu)于對(duì)比方法。消融實(shí)驗(yàn)進(jìn)一步表明，隨著分層對(duì)抗對(duì)齊和漸進(jìn)式偽標(biāo)簽?zāi)K逐步加入，模型性能從基線(xiàn)的 89.23% 持續(xù)提升至 95.37%，說(shuō)明兩項(xiàng)關(guān)鍵設(shè)計(jì)都對(duì)跨被試泛化能力提升發(fā)揮了穩(wěn)定作用。除公開(kāi)情緒數(shù)據(jù)集外，論文還將該方法拓展到意識(shí)障礙患者的情緒誘發(fā)腦電分析任務(wù)中。進(jìn)一步分析發(fā)現(xiàn)，模型識(shí)別準(zhǔn)確率與實(shí)驗(yàn)后一個(gè)月內(nèi)記錄的 CRS-R 最佳評(píng)分呈顯著正相關(guān)，這意味著患者意識(shí)水平越高，其情緒相關(guān)腦電模式往往越清晰，也表明該方法有望為傳統(tǒng)行為量表提供客觀(guān)補(bǔ)充。
圖2 HEAT在跨被試情緒識(shí)別與意識(shí)檢測(cè)任務(wù)中的結(jié)果示意
可解釋性分析揭示情緒相關(guān)神經(jīng)模式
論文還結(jié)合通道重要性分析對(duì)模型的可解釋性進(jìn)行了討論。結(jié)果顯示，積極情緒樣本更突出左側(cè)額葉與額中央?yún)^(qū)域的重要性，消極情緒樣本則表現(xiàn)出更明顯的右側(cè)額葉與顳區(qū)激活趨勢(shì)。這一結(jié)果與情緒半球偏側(cè)化理論具有較好一致性，也從神經(jīng)生理角度支持了 HEAT 在跨被試遷移過(guò)程中對(duì)情緒特異性模式的保持能力。
后續(xù)工作將繼續(xù)面向真實(shí)場(chǎng)景推進(jìn)
從當(dāng)前結(jié)果看，HEAT 不僅在跨被試腦電情緒識(shí)別中展現(xiàn)出較強(qiáng)的穩(wěn)定性，也為意識(shí)障礙客觀(guān)評(píng)估提供了一條值得繼續(xù)探索的技術(shù)路線(xiàn)。下一步，相關(guān)研究將繼續(xù)圍繞更復(fù)雜遷移場(chǎng)景下的魯棒性提升、更大規(guī)模臨床隊(duì)列驗(yàn)證以及多模態(tài)信息融合展開(kāi)，進(jìn)一步推動(dòng)腦電情緒識(shí)別方法從算法驗(yàn)證走向?qū)嶋H應(yīng)用。
