华南师范大学人工智能学院本科生洪喆沛、陈荣滔、李丽婷、陈佳俊（4人均为本科生）在潘家辉教授和高炜副研究员的联合指导下，完成论文《HEAT: Hierarchical Emotion Adaptation with Progressive Thresholding for EEG Emotion and Consciousness Detection》，获中科院生物医学工程领域SCI二区期刊Biomedical Signal Processing and Control正式接收。该论文聚焦跨被试脑电信号分布差异大、目标域标注稀缺以及临床意识状态评估缺乏客观量化工具等问题，系统验证了所提方法在公开数据集与真实意识障碍数据上的有效性。  

聚焦跨被试脑电分析中的关键难题

脑电情绪识别是情感计算与脑机接口研究中的重要方向，但不同个体之间存在显著的生理差异与信号分布漂移，这使得模型在跨被试场景下很难保持稳定性能。已有域适应方法往往更关注整体分布对齐，却较少兼顾不同情绪类别之间的细粒度差异。同时，传统伪标签策略通常依赖固定阈值，难以随着训练进程动态调整对无标注样本的利用方式，因而限制了模型的泛化能力。围绕这些问题，论文提出了一套兼顾全局迁移、类别判别与渐进学习的新框架。

HEAT框架兼顾全局对齐与类别判别

HEAT 的核心由两部分组成。其一是分层对抗对齐机制，该模块同时建模跨被试共享的全局分布与不同情绪类别对应的局部分布，并通过自适应权重在两者之间动态平衡，使模型在学习域不变特征的同时保留情绪相关神经模式。其二是渐进式伪标签策略，该策略按照由易到难的思路逐步提高置信度阈值，并结合概率校准机制提升无标注目标域样本的利用质量，从而缓解早期伪标签噪声带来的干扰。两部分共同作用，使模型可以在端到端训练过程中持续优化跨域识别能力。

图1 HEAT框架整体示意图

在公开数据集上取得稳定优势

在跨被试情绪识别实验中，研究采用留一被试交叉验证设置，在 SEED 和 SEED-IV 两个公开基准数据集上对模型进行了系统评估。结果显示，HEAT 在 SEED 上取得了 95.37% ± 5.17% 的平均准确率，在 SEED-IV 上取得了 82.50% ± 9.28% 的平均准确率，整体表现优于对比方法。消融实验进一步表明，随着分层对抗对齐和渐进式伪标签模块逐步加入，模型性能从基线的 89.23% 持续提升至 95.37%，说明两项关键设计都对跨被试泛化能力提升发挥了稳定作用。除公开情绪数据集外，论文还将该方法拓展到意识障碍患者的情绪诱发脑电分析任务中。进一步分析发现，模型识别准确率与实验后一个月内记录的 CRS-R 最佳评分呈显著正相关，这意味着患者意识水平越高，其情绪相关脑电模式往往越清晰，也表明该方法有望为传统行为量表提供客观补充。

图2 HEAT在跨被试情绪识别与意识检测任务中的结果示意

可解释性分析揭示情绪相关神经模式

论文还结合通道重要性分析对模型的可解释性进行了讨论。结果显示，积极情绪样本更突出左侧额叶与额中央区域的重要性，消极情绪样本则表现出更明显的右侧额叶与颞区激活趋势。这一结果与情绪半球偏侧化理论具有较好一致性，也从神经生理角度支持了 HEAT 在跨被试迁移过程中对情绪特异性模式的保持能力。

后续工作将继续面向真实场景推进

从当前结果看，HEAT 不仅在跨被试脑电情绪识别中展现出较强的稳定性，也为意识障碍客观评估提供了一条值得继续探索的技术路线。下一步，相关研究将继续围绕更复杂迁移场景下的鲁棒性提升、更大规模临床队列验证以及多模态信息融合展开，进一步推动脑电情绪识别方法从算法验证走向实际应用。