一、简介

        为了解决基于EEG的情绪识别中的多源域适应问题，文章提出了一种用于跨被试和跨时段EEG情绪识别的多源边际分布适应方法（MS-MDA）。跨被试和跨时段的EEG情感识别的多源边际分布适应（MS-MDA，如图一所示）。首先，文章假设所有的EEG数据都有共同的低级特征，特别是那些来自同一设备、同一被试和同一时段的数据。在此基础上，文章构建了一个简单的共同特征提取器来提取领域不变的特征。然后，对于多个源，由于每个源都有一些特定的特征，文章将每个单一的源域与目标域配对，形成一对一DA的分支，并对齐分布，提取特定领域的特征。之后，为每个分支训练一个分类器，最后的推理是 由这些来自多个分支的多个分类器进行推理。

图一 两种多源域适应策略，左图是单支路策略，将多个源域视作一个大的源域，紧接着与目标域对齐，右图是多支路策略，每个源域是独立的，一对一地与目标域对齐。

二、模型结构

        文章提出的模型包括共同特征提取器（Common Feature Extractor）、特定域特征提取器（Domain-Specific Feature Extractor）、特定域分类器（Domain-Specific Classifier）。

        MS-MDA中的共同特征提取器用于将源域和目标域数据从原始特征空间映射到一个共同的共享空间，然后提取所有域的共同表征。这个模块可以帮助提取一些低层次的域不变的特征。

        特定域的特征提取器遵循通用特征提取器（CFE）。在获得所有域的特征后，文章设置了N个单一的全连接层来对应N个源域。对于每一对源域和目标域，文章通过相应的特定域特征提取器（DSFE）分别将数据映射到一个独特的空间，然后在每个分支中获得特定域的特征。为了应用DA并使两个域在空间中接近，文章选择了MMD来估计这两个域之间的距离。

       特定域的分类器使用从DSFE中提取的特征来预测结果。在特定域分类器（DSC）中，有N个单一的softmax分类器，对应于每个源域。对于每个分类器的训练，文章选择交叉熵来估计分类损失。此外，由于该模块有N个分类器，而这些N个分类器是在N个源域上训练的，如果它们的预测结果 被简单地平均为最终结果，其方差会很高。特别是当目标域的样本处于决策边界时。边界，这将对结果产生重大的负面影响。结果产生重大负面影响。为了减少这种方差，引入了称为差异损失的计量方法，以使目标域样本的预测结果具有较高的可信度。来使N个分类器的预测结果趋于一致。N个分类器的预测结果的平均值被作为最终的平均值作为最终结果。

图二 文章提出的方法的结构。MS-MDA网络由共同特征提取器、特定域特征提取器和特定域分类器组成。对于每个源域，进行DSFE和DSC的分支，进行成对的域适应。该模型接收多个源域并利用他们的特征转移到目标域。

三、实验结果

图三 MS-MDA模型和其他模型在SEED和SEED-IV数据集上准确率的对比

图四 MS-MDA在SEED和SEED-IV数据集消融实验结果

参考资料

[1] Chen H, Jin M, Li Z, et al. MS-MDA: Multisource Marginal Distribution Adaptation for Cross-Subject and Cross-Session EEG Emotion Recognition[J]. Frontiers in Neuroscience, 2021, 15.