该论文发表于IEEE Transactions on Affective Computing（中科院1区top，IF：11.3），题目为《WDANet: Wasserstein Distribution Inspired Dynamic Adversarial Network for EEG-Based Cross-Domain Depression Recognition》。

北京理工大学沈健博士为本文第一作者，北京理工大学张亚男博士后、董群喜教授、胡斌教授与兰州大学张晓炜教授为通讯作者。

论文链接：https://doi.org/10.1109/TAFFC.2025.3646189

代码链接：https://github.com/Siddik911/WDANet-depression

论文概要

抑郁症的客观诊疗高度依赖脑电图（EEG）信号，但受试者个体差异与数据集采集环境变化导致的跨域分布偏移以及传统深度学习方法难以捕捉动态变换中间态的问题，制约了模型的泛化能力与临床应用。北京理工大学沈健团队联合兰州大学张晓炜团队近期于《IEEE Transactions on Affective Computing》刊发研究，提出了一种受Wasserstein分布启发的动态对抗网络（WDANet）用于EEG跨域抑郁症识别。该模型引入基于动态对抗因子，实现了全局边缘分布与局部类条件分布的协同对齐，同时构建Wasserstein分布判别器，结合Sinkhorn算法迭代计算最佳运输矩阵捕获数据在跨域分布演化过程中的中间转换状态。该研究有效突破了跨域EEG信号分布偏移与可解释性不足的难题，为精神心理疾病的客观智能评估以及跨受试者脑机接口应用提供重要的方法支撑。本文研究整体框架如图1所示：

图1 基于WDANet的跨数据集EEG抑郁症识别整体框架图

研究背景

抑郁症是一种高发的精神障碍，严重影响个体的认知与社会功能，因此客观的识别技术对于干预至关重要。EEG能够客观反映大脑电生理活动，已被证明是识别抑郁症的有效工具。由于不同受试者个体差异以及跨数据集采集环境的不同，脑电信号在实际应用中表现出分布偏移，这种跨域的数据分布偏移导致模型的泛化能力显著下降，因此克服跨域脑电数据的分布偏移是当前抑郁症客观识别技术关键瓶颈。

在技术层面上，现有的域适应方法主要可划分为两类：一是基于统计学的方法，旨在通过最小化统计差异来缩小数据分布的鸿沟；二是基于对抗训练的方法，侧重于学习跨域的领域不变特征。然而，这些方法在实际应用中面临一定局限。统计学方法往往难以充分捕捉特征分布中的复杂变异，而对抗训练方法则通常忽略了对数据边缘分布与条件分布动态变化的综合考量。此外，这两类方法均未能有效利用数据分布变换过程中产生的中间状态信息，而该信息对于模型逐步实现跨域适应具有重要价值。

本文构建的WDANet模型集成了关注边缘分布的全局判别器、关注条件分布的局部判别器，以及Wasserstein分布判别器。通过在三个脑电数据集上开展广泛的跨受试者与跨数据集实验，本研究旨在验证该模型提取域不变特征的有效性，阐明抑郁症脑电特征跨域转换的内在机制，揭示其在提升识别准确率与神经生理可解释性方面的卓越表现。

研究方法

针对EEG信号因个体差异、采集条件及强非平稳性导致的跨域分布偏移难题，本研究超越了常规的直接对齐方法，构建了基于Wasserstein分布的动态对抗网络。该模型以脑电微分熵（DE）特征为输入，旨在通过特征映射、动态全局-局部对抗以及分布演化追踪，实现多维度的跨域特征对齐。

为消除跨源脑电数据的维度与尺度异质性，本研究首先采用多层感知机（MLP）构建特征提取器，将源域与目标域的原始DE特征统一映射到高维深层特征空间，记为与。在此基础上，标签分类器负责利用源域特征来定位抑郁状态信息，通过最小化源域交叉熵损失进行监督指导，确保在后续驱动特征域迁移的过程中，网络仍能最大程度保留对抑郁状态的判断力。

为了提取跨数据集和跨受试者的域不变特征，本研究设计了联合边缘分布（全局宏观对齐）与条件分布（局部细粒度匹配）的动态对抗适应机制，以实现更精准的特征匹配。源域与目标域特征从特征提取器输出后，被同时输入至全局域判别器和局部域判别器组中。在全局域判别器分支中，输入的特征首先经过梯度反转层（GRL），随后进入多层感知机（MLP）网络进行特征变换并输出全局域标签，该分支专注于边缘分布对齐，通过计算全局域损失，从宏观层面缩小源域与目标域整体特征分布的差异。在局部域判别器分支中，模块针对不同的类别构建了一组独立的局部域判别器, , …, ,输入特征分别经过各自对应的梯度反转层后，结合类别预测概率信息传入对应类别的局部多层感知机中进行判别，最终输出具体的局部域标签。局部域判别器专注于特定类别内的条件分布对齐，通过计算局部域对抗损失，实现细粒度的特征匹配，捕捉不同数据集或跨受试者特征的动态变化。动态域对抗模块结构如图2所示：

图2 动态域对抗模块结构

鉴于脑电信号的非平稳性常导致跨域特征出现非线性失真，传统基于Kullback-Leibler或Jensen–Shannon发散的传统比对方法不稳定且易发生模态坍缩。因此，本研究引入WDD模块，通过捕捉分布转换的中间状态来提升域适应的鲁棒性。该模块利用Wasserstein距离来优化源域和目标域之间的分布差异，源域特征与目标域特征首先分别穿过梯度反转层，随后进入Wasserstein变换计算器（WTC）。在WTC内部，模型基于Sinkhorn算法，通过引入核矩阵并不断迭代更新比例因子和，从而并行计算出最优的前向传输矩阵和反向传输矩阵，前向传输矩阵的更新依赖于，而反向传输矩阵的更新依赖于。这两个传输矩阵概括了在分布转换过程中重新分配概率质量的最优策略，当迭代计算达到收敛状态后，输出的和会被输入至多层感知机中进行域分布判别。判别器利用二元交叉熵损失函数对前向与反向变换矩阵进行区分，并输出分布标签，以此促使模型直接从数据中深度学习跨域分布的内在转移特征与演化规律。通过这一系列运算机制，模型能够有效最小化领域间的分布差距，在特征迁移的过程中更加可靠地保留EEG信号固有的神经生理学特征。Wasserstein分布判别器模块结构如图3所示：

图3 Wasserstein分布判别器模块结构

实验结果

为了全面评估WDANet在克服跨域分布偏移时的泛化性能，本研究设计了同源受试者相关（十折交叉验证）、跨受试者（留一受试者交叉验证）及跨数据集迁移实验。评估基于以下三类脑电数据集展开：

数据集1为静息态脑电数据，包含81例抑郁症患者（40.58±12.12岁）与89例健康对照（30.83±10.32岁），采集闭眼放松状态下的90秒脑电信号。

数据集2为听觉刺激态脑电数据，包含105例抑郁症患者（41.02±12.00岁）与109例健康对照（31.19±9.83岁），采用IADS-2声音库6种刺激与休息交替的范式，累计采集72秒脑电信号。

数据集3为公开MODMA 高密度脑电数据，包含24例抑郁症患者（30.88±10.37岁）与29例健康对照（31.45±9.15岁），使用128通道EGI系统在250 Hz采样率下采集5分钟脑电信号。

(1) WDANet 在同源及跨域任务中展现出优异的泛化与分类平衡能力

本实验的评估体系主要包含四项核心分类指标：准确率（Accuracy）、敏感性（Sensitivity）、特异性（Specificity）以及 F1 分数（F1-score）。其中，准确率反映模型整体预测的正确比例；敏感性衡量模型对抑郁症患者的精准识别能力，数值越高代表漏诊率越低；特异性反映对健康对照组（真阴性样本）的判定准确度，数值越高代表误诊率越低；F1 分数则是综合考量查准率与查全率的调和平均值，用于严谨评估模型在分类任务中的整体平衡性。

在表1中，案例1、2和5展示了数据集1～3的实验结果，案例3和4则呈现了跨数据集实验结果。如表1所示，在同源跨受试者实验中，WDANet 于三个同源数据集场景中，分别取得了83.33%、75.52%和70.94%的高准确率，展现出稳定的个体间泛化能力。在各项细分指标上，WDANet 在案例1中实现了极佳的分类均衡，其敏感性与特异性均达到83.33%，F1分数达78.95%；在案例2和案例5中，模型依然保持了极高的敏感性（分别为 88.78% 和 81.88%），确保了对正样本的敏锐捕捉。在跨数据集迁移实验中，面对跨域数据分布异质性带来的挑战，WDANet在案例3与案例4中准确率分别达到了73.93%和76.04%，有效克服了性能衰减问题。此外，模型在这些跨域场景中依然维持了优秀的综合识别指标，在案例4中，其敏感性达87.32%，F1分数为79.39%，在案例3中，特异性达到了76.70%。综合上述多维度指标的表现，实验结果证实WDANet 能敏锐捕捉不同实验条件下的特征偏移，还具备极强的跨域鲁棒性，在正负样本的分类预测上实现了出色的动态平衡。

表1 WDANet在三个数据集上五例的实验结果与SOTA方法的比较

(2) Theta与Alpha频带是抑郁状态的核心生理表征

为了进一步分析脑区与频带对抑郁症识别的贡献，本研究对各频带及脑区的特征贡献度进行了量化分析，以MODMA数据集为例，如图4所示，全频带空间拓扑与通道权重热图显示，显著的高权重特征高度集中于前额叶及中线区域。其中，Alpha 频带权重最为突出并聚焦于前额叶，在Fp2通道高达0.132；Theta、Beta与Gamma频带的异常表征也主要分布于此及中线区，分别映射情绪调节与认知注意力的异常，Theta频带在前额关键通道维持在0.120至0.128的稳定高贡献水平；Delta频带则分散于后脑以捕捉全局低频异常。综合而言，Theta与Alpha频带对抑郁状态的识别贡献最大。该特征空间分布模式与现有的抑郁症神经病理学机制研究高度契合。

图4 全频带空间拓扑图与通道权重热力图

(3) 多判别器协同机制增强了模型的分布对齐与域适应性能

WDANet的消融实验评估了Wasserstein分布判别器与局部域判别器对模型性能的影响。如表2所示，在跨受试者实验中，移除导致准确率从79.43%降至75.00%，证实了全局分布对齐对域适应的关键作用；移除后准确率进一步降至71.88%，而完全移除域判别器时准确率骤降至70.31%，这表明各模块在提升模型性能上具有协同效应。在跨数据集实验中，移除使准确率降至 71.02%；而移除时准确率反弹至73.36%，这反映了模型组件与特定数据集特征之间复杂的交互作用。尽管如此，在完全无判别器指导的情况下，准确率显著降至67.28%。上述结果证实了与对提升WDANet准确性、泛化性及鲁棒性的必要性，强调了多判别器协同集成的核心价值。

表2 关键模块消融实验结果

结论

本研究提出了一种基于脑电图的抑郁症识别框架WDANet，该框架结合动态对抗训练与Wasserstein分布对齐，显著提升了模型的泛化能力与特征表征效果。通过有效解决脑电信号内在的跨受试者与跨数据集变异性，WDANet能精准捕捉不同领域间EEG信号的分布差异，为动态域适应在心理健康诊断中的应用提供了全新视角与方法论。在三个脑电数据集上的跨受试者及跨数据集验证实验表明，WDANet展现出卓越的分类性能与鲁棒性，进一步拓展了EEG在临床辅助诊断与心理健康评估中的应用前景。

——END——

撰稿人：尹建国

审核人：周成菊

脑机接口与混合智能研究团队