近日,腦機(jī)團(tuán)隊(duì)大二本科生陳榮滔、謝楚雯和張嘉慧在潘家輝教授、游琪副研究員指導(dǎo)下的研究成果“A Progressive Multi-Domain Adaptation Network with Reinforced Self-Constructed Graphs for Cross-Subject EEG-Based Emotion and Consciousness Recognition”被中國(guó)人工智能學(xué)會(huì)(CAAI)的B類推薦期刊IEEE Transactions on Neural Systems and Rehabilitation Engineering(中科院康復(fù)醫(yī)學(xué)一區(qū),IF=5.2)錄用。本論文于2025年3月7日投稿,2025年8月23日錄用。
情緒識(shí)別技術(shù)在腦機(jī)接口領(lǐng)域能發(fā)揮重要作用,但受限于個(gè)體差異與數(shù)據(jù)跨域特性,存在兩大核心瓶頸:一是難以提取既保留情緒信息又具跨域普適性的特征,二是不同個(gè)體間的聯(lián)合概率分布難對(duì)齊。為此,我們提出了一種創(chuàng)新的基于強(qiáng)化學(xué)習(xí)的自構(gòu)圖多域適應(yīng)網(wǎng)絡(luò)(如圖1所示),為該領(lǐng)域帶來突破性進(jìn)展。
我們引入強(qiáng)化自構(gòu)圖模塊,基于強(qiáng)化學(xué)習(xí)機(jī)制,動(dòng)態(tài)構(gòu)建適應(yīng)性圖表示,精準(zhǔn)捕捉腦電圖數(shù)據(jù)特征,實(shí)現(xiàn)領(lǐng)域不變神經(jīng)特征的高效提取,如圖2所示。同時(shí),開創(chuàng)性地提出EEG-CutMix策略,融合余弦相似性篩選相似個(gè)體、通道保留動(dòng)態(tài)CutMix技術(shù)生成混合樣本,并巧妙融入高斯噪聲,全方位提升數(shù)據(jù)魯棒性。此外,搭建增強(qiáng)數(shù)據(jù)驅(qū)動(dòng)的PMDA框架,借助動(dòng)態(tài)調(diào)度機(jī)制逐步對(duì)齊分布,配合多目標(biāo)損失函數(shù)實(shí)現(xiàn)個(gè)體間聯(lián)合概率分布精準(zhǔn)對(duì)齊,從多維度攻克技術(shù)難關(guān)。更值得一提的是,該域適應(yīng)框架已成功應(yīng)用于南方醫(yī)科大學(xué)珠江醫(yī)院12位意識(shí)障礙患者的意識(shí)水平檢測(cè)中,為臨床神經(jīng)康復(fù)領(lǐng)域開辟全新技術(shù)路徑,彰顯了其在實(shí)際醫(yī)療場(chǎng)景中的巨大潛力。
圖1:模型整體框架圖
圖2:強(qiáng)化自構(gòu)圖模塊詳細(xì)結(jié)構(gòu)
為了直觀地展示模型的分類性能,該論文繪制了模型的AUC和ROC曲線(如圖3所示)。從圖中可以看出,該模型展現(xiàn)出快速的學(xué)習(xí)能力和強(qiáng)大的分類性能,其AUC分?jǐn)?shù)在訓(xùn)練過程中迅速收斂至較高水平。最終的ROC曲線也進(jìn)一步驗(yàn)證了這一結(jié)果。具體來說,在SEED數(shù)據(jù)集上獲得0.983的平均分?jǐn)?shù),在SEED-IV數(shù)據(jù)集上獲得0.961的平均分?jǐn)?shù)。
圖3:AUC和ROC曲線