近日，华南师范大学人工智能学院梁容铭等在潘家辉教授的指导下，完成了题为“Subdomain Adaption Method for Cross-domain Emotion Recognition and Clinical Consciousness Detection”的研究成果。该论文在物联网领域的权威期刊《IEEE Internet of Things Journal》（华南师范大学一类层次期刊，影响因子为8.9）成功录用。论文的第一作者是2019级研究生何志鹏和2021级研究生梁容铭，通讯作者为潘家辉教授和李景聪副教授。该论文于2025年1月5日提交，经过严谨的审稿流程，于2025年12月25日被正式接收。

研究背景

意识障碍（Disorders of Consciousness, DOC）通常由严重的脑损伤引起，其特征是意识水平的持续性降低或意识内容的显著改变。根据国际标准，主要包括无反应觉醒综合征（Unresponsive Wakefulness Syndrome, UWS）和微意识状态（Minimally Conscious State, MCS）。临床上，MCS和UWS患者的诊断主要依赖于传统的行为评估量表。但传统的行为量表评估方法存在主观性强、准确性不足等问题，误诊率高达约40%。

基于脑电图的自动化情绪识别为检测DOC患者的残留意识提供了新的客观方式。然而，现有的深度学习模型在跨域任务中面临巨大挑战。不同个体间的EEG信号存在显著的分布差异，传统的全局域自适应方法虽然能拉近源域和目标域的整体分布，但往往忽略了同一情绪类别内部的子结构关系，容易导致不同情绪类别的特征混淆，从而限制了模型在临床患者身上的泛化能力。子域适应提供了一种精细对齐子域分布的途径。本研究首次将子域适应应用于脑电情绪识别和意识障碍诊断，提出类别最大均值差异子域适应框架，研究的整体框架如图1所示。该框架有效提升跨域分类准确率，并探索了DOC患者组间动态特性，为临床意识检测提供新视角。

图1：本研究所提框架示意图 (a)跨域实验设置；(b)特征提取过程；(c)骨干网络架构；(d)类别最大均值差异机制。

研究方法

（1）多视图特征融合

为了更全面地表征大脑活动，本研究构建了互补的多视图特征输入。研究提取了频域的微分熵特征，以反映等不同频段的神经活动强度。同时，基于相位锁定值构建了脑网络连接特征，用于量化不同脑区之间的同步性与交互作用。

（2）基于类别最大均值差异的子域自适应框架

与传统的全局对齐不同，所采用的子域自适应方法通过最小化源域与目标域中同类样本的子域分布差异，实现了细粒度的特征对齐，如图2所示。在特征空间中，通过类别最大均值差异机制强制拉近同类子域的距离，同时保持不同类别之间的差异。骨干网络采用了并行卷积神经网络，并结合了批归一化和实例归一化，以减少脑电信号的个体差异并加速模型收敛。

图2：基于类别最大均值差异的子域自适应方法示意图

实验结果

1. 基准数据集测试

在情绪识别基准数据集SEED和SEED-IV上，所提出方法表现优异，结果如下表。在跨被试实验中，分别达到了85.67%和74.44%的平均准确率，显著优于现有的DAN、DMATN等主流深度域自适应方法及BiHDM、RGNN等非深度域适应。

表1：在SEED和SEED-IV数据集上进行的留一受试者交叉验证结果

（2）意识障碍临床验证

本研究招募了25名DOC患者（15名MCS，10名UWS）和10名健康受试者进行临床验证。针对DOC患者的试验及对应的实验范式如图3所示。

图3：DOC患者试验的进行与对应的实验范式

实验结果显示，MCS患者的平均情绪识别准确率为 66.21%，显著高于UWS患者的 56.99%。研究发现，基于EEG的情绪识别准确率与患者的CRS-R行为量表评分呈显著正相关（p<0.01），验证了该方法作为辅助诊断工具的有效性。同时通过G*Power进行的统计功效分析显示，该研究的统计效力达到93.5%，确保了结果的可靠性。

结论

本研究提出的基于类别最大均值差异的子域适应方法显著提升了跨域情绪识别和DOC临床意识检测的准确率。通过对齐同一类别子域分布，该框架解决了传统方法忽略细粒度关系的局限，准确识别最小意识状态患者，并在DOC患者中揭示组间差异，为意识障碍临床诊疗提供客观、精准的辅助手段。