基于動(dòng)態(tài)對(duì)抗泛化網(wǎng)絡(luò)的跨領(lǐng)域腦電情緒識(shí)別

梁圣金

（昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500）

0 引言

在日常交流中，人們通過觀察面部表情和聆聽聲音等方式判斷對(duì)方的情緒狀態(tài)，并據(jù)此作出相應(yīng)的反饋，以完成連貫的交流互動(dòng)。為了使得人機(jī)交互過程更加友好，研究者嘗試賦予機(jī)器能夠檢測(cè)和處理人類情緒的能力，并借助腦機(jī)接口技術(shù)從大腦信號(hào)中識(shí)別人類情緒[1-2]。相比于測(cè)量大腦活動(dòng)的其他方法，具有簡(jiǎn)單易用、價(jià)格便宜等優(yōu)點(diǎn)的腦電（electroencephalography，EEG）得到了廣泛的使用。腦電是利用電極在頭皮表層記錄的電位，與人類的許多心理活動(dòng)和認(rèn)知行為密切相關(guān)，為識(shí)別不同情緒提供了可靠的信號(hào)來源[3]。

然而，應(yīng)用廣泛的腦電信號(hào)卻具有非平穩(wěn)性[4]。這使得腦電數(shù)據(jù)的概率分布容易發(fā)生變化，導(dǎo)致情緒識(shí)別模型在應(yīng)用于新個(gè)體（跨被試場(chǎng)景）或者同一個(gè)體的新時(shí)段（跨會(huì)話場(chǎng)景）時(shí)，模型性能會(huì)出現(xiàn)較大的下降。為了改善跨領(lǐng)域腦電情緒識(shí)別的效果，研究者引入了遷移學(xué)習(xí)技術(shù)，包括領(lǐng)域自適應(yīng)[5]和領(lǐng)域泛化[6]。領(lǐng)域自適應(yīng)方法旨在減小源域和目標(biāo)域之間的分布差異來提高源域模型應(yīng)用于目標(biāo)域的性能，這在過去得到了廣泛的研究。例如，LI 等人[7]利用領(lǐng)域?qū)股窠?jīng)網(wǎng)絡(luò)（Domain-Adversarial Neural Network，DANN）[8]來減小源域被試和目標(biāo)域被試之間的個(gè)體差異。此外，無需使用目標(biāo)域數(shù)據(jù)訓(xùn)練模型的領(lǐng)域泛化方法也得到了初步的關(guān)注。MA等人[9]提出了一個(gè)領(lǐng)域殘差網(wǎng)絡(luò)（Domain Residual Network，DResNet），學(xué)習(xí)特征提取器的領(lǐng)域特有參數(shù)和領(lǐng)域共享參數(shù)，以促進(jìn)對(duì)領(lǐng)域共享特征的提取。領(lǐng)域泛化方法雖然更有利于模型的實(shí)際應(yīng)用，但是它比領(lǐng)域自適應(yīng)方法更難，所以其研究工作相對(duì)較少。

本文提出了一個(gè)新穎的領(lǐng)域泛化方法，即動(dòng)態(tài)對(duì)抗泛化網(wǎng)絡(luò)（Dynamic Adversarial Generalization Network，DAGN）。DAGN 利用全局領(lǐng)域?qū)购途植款I(lǐng)域?qū)沟膭?dòng)態(tài)融合來從多個(gè)源域中學(xué)習(xí)提取領(lǐng)域不變特征的模型，以改善對(duì)目標(biāo)域數(shù)據(jù)的預(yù)測(cè)效果?？绫辉嚺c跨會(huì)話兩種場(chǎng)景下的跨領(lǐng)域遷移實(shí)驗(yàn)驗(yàn)證了DAGN 的有效性。

1 方 法

1.1 領(lǐng)域泛化問題

領(lǐng)域泛化旨在利用現(xiàn)有的一個(gè)或者多個(gè)不同但相關(guān)的源域的數(shù)據(jù)，訓(xùn)練可以應(yīng)用于未知領(lǐng)域的較為通用的模型[6]。在領(lǐng)域泛化問題中，目標(biāo)域在訓(xùn)練模型時(shí)不可訪問，從而減少了對(duì)目標(biāo)域數(shù)據(jù)的依賴。因此，領(lǐng)域泛化方法只能通過已有的源域數(shù)據(jù)來學(xué)習(xí)應(yīng)用于未知領(lǐng)域的模型。

本文考慮跨被試和跨會(huì)話這兩個(gè)跨領(lǐng)域場(chǎng)景?？绫辉噲?chǎng)景假設(shè)存在多個(gè)可用的源域被試，而跨會(huì)話場(chǎng)景假設(shè)存在多個(gè)可用的源域會(huì)話，不同被試或者會(huì)話被視為不同的領(lǐng)域。具體而言，假設(shè)給定K個(gè)分布不同但相關(guān)的源域，其中第k個(gè)源域?yàn)闉闃颖緮?shù)據(jù)，∈{1,…,C}和為對(duì)應(yīng)的情緒標(biāo)簽和領(lǐng)域標(biāo)簽，nk為樣本數(shù)量，并且n1+…+nK=N。本文的目的是，僅利用這K個(gè)源域的數(shù)據(jù)來學(xué)習(xí)對(duì)未知目標(biāo)域具有較好泛化能力的腦電情緒識(shí)別模型。

1.2 動(dòng)態(tài)對(duì)抗泛化網(wǎng)絡(luò)

1.2.1 網(wǎng)絡(luò)架構(gòu)

本文提出的動(dòng)態(tài)對(duì)抗泛化網(wǎng)絡(luò)（Dynamic Adversarial Generalization Network，DAGN）主要由特征提取器、標(biāo)簽預(yù)測(cè)器以及領(lǐng)域分類器3 部分組成，如圖1 所示。

圖1 所提出的動(dòng)態(tài)對(duì)抗泛化網(wǎng)絡(luò)（DAGN）架構(gòu)（i ≠j 且i,j ∈{1,…,K}）

1.2.2 特征提取

在DAGN 中，輸入數(shù)據(jù)將會(huì)通過幾個(gè)神經(jīng)網(wǎng)絡(luò)層，以提取有利于進(jìn)行情緒分類的特征。MA 等人[9]的研究表明，顯式地學(xué)習(xí)各個(gè)源域特有的參數(shù)和所有領(lǐng)域共享的參數(shù)，有助于提高模型的泛化能力。據(jù)此思想，DAGN 將每個(gè)源域的特征提取器劃分為特有部分（網(wǎng)絡(luò)參數(shù)為，k∈{1,…,K}）和公共部分Gf（網(wǎng)絡(luò)參數(shù)為θf），其中特有部分獨(dú)立于其他領(lǐng)域（如圖1 中源域i特征提取器和源域j特征提取器），而公共部分由所有領(lǐng)域共享（如圖1 中公共特征提取器）。因此，對(duì)于來自源域k的訓(xùn)練樣本，由其特有的和公共的特征提取器所得到的特征可以表示為：

1.2.3 情緒分類

情緒分類是實(shí)現(xiàn)情緒識(shí)別的主要任務(wù)。情緒分類由標(biāo)簽預(yù)測(cè)器Gy實(shí)現(xiàn)，其對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)為θy，如圖1 中標(biāo)簽預(yù)測(cè)器所示。標(biāo)簽預(yù)測(cè)器Gy是一個(gè)多類別分類器，它接收特征提取器所提取的特征作為輸入，并由此判斷輸入數(shù)據(jù)的情緒類別。

在訓(xùn)練網(wǎng)絡(luò)模型時(shí)，根據(jù)標(biāo)簽預(yù)測(cè)器對(duì)輸入數(shù)據(jù)的預(yù)測(cè)和對(duì)應(yīng)的真實(shí)標(biāo)簽，可以利用交叉熵?fù)p失函數(shù)L(·,·)計(jì)算標(biāo)簽預(yù)測(cè)損失：在訓(xùn)練階段不斷優(yōu)化標(biāo)簽預(yù)測(cè)損失Ly，可以提高模型對(duì)源域數(shù)據(jù)的預(yù)測(cè)精度。

1.2.4 領(lǐng)域?qū)?/p>

為了減小所提取特征受到領(lǐng)域之間的差異的影響，DAGN 采用領(lǐng)域?qū)沟姆绞絹硖岣咛卣鞯念I(lǐng)域不變性。領(lǐng)域?qū)雇ǔＰ枰獌蓚€(gè)組件來實(shí)現(xiàn)，第一個(gè)組件盡可能產(chǎn)生無法區(qū)分原始領(lǐng)域的數(shù)據(jù)，第二個(gè)組件盡可能判斷輸入數(shù)據(jù)的原始領(lǐng)域，兩個(gè)組件在相互競(jìng)爭(zhēng)中形成對(duì)抗訓(xùn)練模式。基于GANIN等人[8]的工作，DAGN 將特征提取器作為領(lǐng)域?qū)沟牡谝粋€(gè)組件，而領(lǐng)域分類器作為第二個(gè)組件，二者由梯度反轉(zhuǎn)層[8]連接起來。

在DAGN 的領(lǐng)域?qū)怪校荻确崔D(zhuǎn)層起著重要的作用。它在前向傳播時(shí)對(duì)數(shù)據(jù)作恒等變換，而在反向傳播時(shí)將梯度取相反數(shù)。如果梯度反轉(zhuǎn)層用偽函數(shù)R(x)表示，那么它在前向傳播時(shí)的表現(xiàn)為R(x)=x，在反向傳播時(shí)的表現(xiàn)為dR/dx=-I，其中I為單位矩陣。

DAGN 利用全局領(lǐng)域分類器來與特征提取器形成對(duì)抗訓(xùn)練模式，它在本質(zhì)上是一個(gè)K類分類器。全局領(lǐng)域分類器用Gd表示，對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)為θd，其對(duì)應(yīng)的損失可以表示為：

YU 等人[10]的研究表明，一個(gè)全局領(lǐng)域分類器可以對(duì)齊不同領(lǐng)域之間的全局（邊緣）分布；而當(dāng)領(lǐng)域之間的全局分布比較接近時(shí)，局部（條件）分布需要給予更多關(guān)注，以對(duì)齊不同分布之間的多模式結(jié)構(gòu)，實(shí)現(xiàn)更細(xì)粒度的領(lǐng)域匹配。據(jù)此思想，DAGN為C個(gè)情緒類別分別構(gòu)建了對(duì)應(yīng)的局部領(lǐng)域分類器（網(wǎng)絡(luò)參數(shù)為，c∈{1,…,C}）。對(duì)于來自源域k的訓(xùn)練樣本，標(biāo)簽預(yù)測(cè)器Gy的輸出反映了被預(yù)測(cè)為C個(gè)情緒類別的概率（如反映了將樣本預(yù)測(cè)為情緒類別c的概率），那么此概率可以用來衡量同一特征以多少的比例輸入到各個(gè)局部領(lǐng)域分類器。所有局部領(lǐng)域分類器的損失為：

DAGN 使用一個(gè)動(dòng)態(tài)系數(shù)w來權(quán)衡全局和局部的領(lǐng)域分類器的損失。在訓(xùn)練模型的過程中，動(dòng)態(tài)系數(shù)w將在每一次迭代后進(jìn)行更新，并由式（5）計(jì)算：

利用動(dòng)態(tài)系數(shù)w對(duì)所有的領(lǐng)域分類器進(jìn)行加權(quán)，得到領(lǐng)域?qū)箵p失為：

1.2.5 模型訓(xùn)練與測(cè)試

根據(jù)前面對(duì)DAGN 各個(gè)組成部分的介紹，可以得到用于訓(xùn)練模型的總的損失函數(shù)為：

在Ltotal中，λ為權(quán)衡參數(shù)，用于調(diào)節(jié)標(biāo)簽預(yù)測(cè)損失和領(lǐng)域?qū)箵p失的比例。在模型訓(xùn)練過程中，最小化總的損失函數(shù)，標(biāo)簽預(yù)測(cè)器的分類精度將會(huì)得到提高，從而促進(jìn)特征提取器提取具有情緒判別性的特征。此外，由于梯度反轉(zhuǎn)層前后的梯度的符號(hào)相反，所以特征提取器和領(lǐng)域分類器在對(duì)抗訓(xùn)練中不斷提高自身能力，從而促進(jìn)特征提取器提取對(duì)領(lǐng)域差異不敏感的特征。模型經(jīng)過優(yōu)化后，將會(huì)學(xué)習(xí)到網(wǎng)絡(luò)各個(gè)組成部分的參數(shù)，即

在測(cè)試階段，目標(biāo)域的樣本數(shù)據(jù)通過特征提取器Gf和標(biāo)簽預(yù)測(cè)器Gy進(jìn)行預(yù)測(cè)。對(duì)于目標(biāo)域樣本（i∈{1,…,nT}），其對(duì)應(yīng)的情緒標(biāo)簽可由式（8）進(jìn)行預(yù)測(cè)：

2 實(shí)驗(yàn)設(shè)置

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文采用基于腦電的情緒識(shí)別研究常用的基準(zhǔn)數(shù)據(jù)集SEED[2]作為實(shí)驗(yàn)數(shù)據(jù)，以評(píng)估所提出方法的性能。該數(shù)據(jù)集包含15 名被試在不同的日期所參與的3 次腦電采集實(shí)驗(yàn)的數(shù)據(jù)，每次實(shí)驗(yàn)稱為一個(gè)會(huì)話。在每個(gè)會(huì)話中，被試需要觀看15 個(gè)時(shí)長(zhǎng)約為4 min 的情感電影片段，以激發(fā)被試產(chǎn)生積極、中性及消極3 種情緒，并通過所佩戴的62 通道腦電帽同步采集對(duì)應(yīng)的腦電數(shù)據(jù)。所采集的原始腦電數(shù)據(jù)在經(jīng)過下采樣和帶通濾波等處理后，將每個(gè)通道的數(shù)據(jù)劃分為5 個(gè)不重合的頻段，并從中以1 s的時(shí)間長(zhǎng)度計(jì)算微分熵作為數(shù)據(jù)樣本，每個(gè)樣本為310 維的向量。最終，SEED 數(shù)據(jù)集的每個(gè)被試在每個(gè)會(huì)話中得到3 394 個(gè)腦電數(shù)據(jù)樣本。

2.2 跨領(lǐng)域?qū)嵤┓绞?/h3>

本文分別執(zhí)行跨被試和跨會(huì)話兩種遷移實(shí)驗(yàn)來實(shí)施跨領(lǐng)域的腦電情緒識(shí)別。

對(duì)于跨被試遷移實(shí)驗(yàn)，每個(gè)被試只選擇一個(gè)會(huì)話的腦電數(shù)據(jù)參與實(shí)驗(yàn)。由于共有15 名被試，所以每個(gè)方法進(jìn)行了15 次跨被試遷移實(shí)驗(yàn)，使得每名被試依次作為目標(biāo)域，而對(duì)應(yīng)的剩余14 名被試則作為源域。最后對(duì)15 次實(shí)驗(yàn)的分類準(zhǔn)確率求平均值和標(biāo)準(zhǔn)差。

對(duì)于跨會(huì)話遷移實(shí)驗(yàn)，分別在每個(gè)被試內(nèi)部進(jìn)行實(shí)驗(yàn)。具體而言，每名被試均有3 個(gè)會(huì)話的腦電數(shù)據(jù)，將會(huì)話3 作為目標(biāo)域，而剩余的會(huì)話1 和會(huì)話2 作為源域。最后對(duì)所有被試的跨會(huì)話遷移實(shí)驗(yàn)的分類準(zhǔn)確率求平均值和標(biāo)準(zhǔn)差。

2.3 各個(gè)方法的實(shí)現(xiàn)細(xì)節(jié)

與本文所提出方法進(jìn)行比較的方法有領(lǐng)域?qū)股窠?jīng)網(wǎng)絡(luò)（Domain-Adversarial Neural Network，DANN）[8]、領(lǐng)域殘差網(wǎng)絡(luò)（Domain Residual Network，DResNet）[9]、多對(duì)抗領(lǐng)域泛化（Multi-Adversarial Domain Generalization，MADG）以 及DAGN_W。DANN 屬于領(lǐng)域自適應(yīng)方法，它將所有源域合并為一個(gè)源域，需要目標(biāo)域數(shù)據(jù)參與模型的訓(xùn)練；其余方法均為領(lǐng)域泛化方法。DResNet 只有一個(gè)全局領(lǐng)域分類器，相當(dāng)于將本文提出的DAGN 的動(dòng)態(tài)系數(shù)w固定為1。MADG 在DResNet 的基礎(chǔ)上將全局領(lǐng)域分類器改為局部領(lǐng)域分類器，相當(dāng)于將本文提出的DAGN 的動(dòng)態(tài)系數(shù)w固定為0。DAGN_W 是本文所提出方法的變體，它直接將本文提出的DAGN的動(dòng)態(tài)系數(shù)w固定為0.5。

各個(gè)方法的特有或者公共的特征提取器均有3層，每層的節(jié)點(diǎn)數(shù)量分別為512，256 和128。標(biāo)簽預(yù)測(cè)器都有3層，各層的節(jié)點(diǎn)數(shù)量分別為64，32和3。全局或者局部的領(lǐng)域分類器均有3 層，其中DANN各層的節(jié)點(diǎn)數(shù)量分別為256，256 和2，其余方法的各層節(jié)點(diǎn)數(shù)量分別為256，256 和K（源域數(shù)量）。

所有方法的權(quán)衡參數(shù)λ的設(shè)置與GANIN 等人[8]的設(shè)置一致。用p表示模型訓(xùn)練的進(jìn)度（從0 變化到1），那么權(quán)衡參數(shù)λ設(shè)置為：

3 實(shí)驗(yàn)結(jié)果

3.1 跨被試遷移實(shí)驗(yàn)

在跨被試的腦電情緒識(shí)別實(shí)驗(yàn)中，每個(gè)被試分別作為目標(biāo)域時(shí)的實(shí)驗(yàn)結(jié)果如圖2 所示，各個(gè)方法的平均準(zhǔn)確率和標(biāo)準(zhǔn)差在表1 中給出。對(duì)比不同方法的實(shí)驗(yàn)結(jié)果，可以得到一些重要的發(fā)現(xiàn)。

圖2 每名被試所對(duì)應(yīng)的跨被試遷移準(zhǔn)確率

表1 跨被試遷移實(shí)驗(yàn)的平均準(zhǔn)確率和標(biāo)準(zhǔn)差

（1）DANN 在所有方法中取得了最高的平均準(zhǔn)確率。所比較的領(lǐng)域泛化方法都是在領(lǐng)域自適應(yīng)方法DANN 的基礎(chǔ)上進(jìn)行改進(jìn)的。DANN 在訓(xùn)練模型時(shí)需要使用無標(biāo)簽的目標(biāo)域數(shù)據(jù)，所以它能夠直接減小源域和待測(cè)試的目標(biāo)域之間的數(shù)據(jù)分布差異，從而取得最好的實(shí)驗(yàn)結(jié)果。而領(lǐng)域泛化方法只能使用源域數(shù)據(jù)來訓(xùn)練模型，無法提前獲知待測(cè)試的目標(biāo)域的數(shù)據(jù)分布情況，所以實(shí)驗(yàn)結(jié)果不如DANN。但是在實(shí)際應(yīng)用場(chǎng)景中，待測(cè)試領(lǐng)域的數(shù)據(jù)可能無法提前獲取甚至難于收集，所以領(lǐng)域泛化方法仍然具有較大的實(shí)際應(yīng)用價(jià)值。

（2）本文所提出的DAGN 方法在所有領(lǐng)域泛化方法中取得了最高的平均準(zhǔn)確率，同時(shí)也是實(shí)驗(yàn)結(jié)果最接近DANN的方法。這有幾個(gè)方面的原因。首先，DResNet 只使用了一個(gè)領(lǐng)域分類器來促進(jìn)對(duì)領(lǐng)域不變特征的提取，而沒有考慮對(duì)局部分布的對(duì)齊，可能帶來負(fù)遷移。其次，MADG 只使用了多個(gè)局部領(lǐng)域分類器，而沒有對(duì)齊全局分布。最后，DAGN 的變體DAGN_W 將動(dòng)態(tài)系數(shù)w固定為0.5，而在模型訓(xùn)練過程中的不同階段，全局和局部?jī)刹糠值膶?duì)抗損失可能會(huì)有不同的重要性。而所提出的DAGN方法同時(shí)考慮了全局和局部的動(dòng)態(tài)融合對(duì)齊，從而在領(lǐng)域泛化方法中取得了最好的效果。

（3）從圖2 中各個(gè)被試的比較中可以發(fā)現(xiàn)，不同被試的實(shí)驗(yàn)準(zhǔn)確率變化較大，意味著待測(cè)試領(lǐng)域的數(shù)據(jù)分布是多樣化的，甚至與訓(xùn)練模型的數(shù)據(jù)有著較大的領(lǐng)域差異。DAGN 及其變體DAGN_W 在大部分被試中都取得了比其他領(lǐng)域泛化方法更好的結(jié)果，表明同時(shí)考慮局部分布對(duì)齊和全局分布對(duì)齊能夠更好地應(yīng)對(duì)變化多樣的測(cè)試數(shù)據(jù)。

3.2 跨會(huì)話遷移實(shí)驗(yàn)

在每個(gè)被試內(nèi)部獨(dú)立地進(jìn)行了跨會(huì)話的腦電情緒識(shí)別實(shí)驗(yàn)，所得到的實(shí)驗(yàn)結(jié)果如圖3 所示，各個(gè)方法在所有被試中的跨會(huì)話平均準(zhǔn)確率和標(biāo)準(zhǔn)差如表2 所示。觀察實(shí)驗(yàn)結(jié)果，可以得到以下發(fā)現(xiàn)。

圖3 每名被試所對(duì)應(yīng)的跨會(huì)話遷移準(zhǔn)確率

表2 跨會(huì)話遷移實(shí)驗(yàn)的平均準(zhǔn)確率和標(biāo)準(zhǔn)差

（1）在跨會(huì)話場(chǎng)景下，同時(shí)利用源域和目標(biāo)域數(shù)據(jù)訓(xùn)練模型的領(lǐng)域自適應(yīng)方法DANN 仍然獲得了最高的平均準(zhǔn)確率。

（2）DAGN 及其變體DAGN_W 較其他領(lǐng)域泛化方法表現(xiàn)得更好，并且DAGN_W 在領(lǐng)域泛化方法中取得了最好的結(jié)果。這表明，在跨會(huì)話場(chǎng)景下同時(shí)考慮局部對(duì)抗和全局對(duì)抗方式可以更好地提取具有領(lǐng)域不變性的特征。

（3）將各個(gè)方法的跨會(huì)話實(shí)驗(yàn)結(jié)果與前面的跨被試實(shí)驗(yàn)結(jié)果相比較，容易發(fā)現(xiàn)跨會(huì)話的實(shí)驗(yàn)結(jié)果都有了明顯的提升。在跨領(lǐng)域問題中，領(lǐng)域之間的數(shù)據(jù)分布不一致是導(dǎo)致模型在跨領(lǐng)域應(yīng)用時(shí)性能下降的重要原因。當(dāng)源域和待測(cè)試的目標(biāo)域的差異變小，模型性能將會(huì)得到提升。實(shí)驗(yàn)結(jié)果表明，跨會(huì)話場(chǎng)景下的源域和目標(biāo)域的差異相對(duì)較小，因?yàn)橥槐辉囋诓煌瑫r(shí)段下的腦電數(shù)據(jù)的變化相對(duì)較小。

（4）由前面的分析可知，跨被試遷移場(chǎng)景比跨會(huì)話遷移場(chǎng)景更難應(yīng)對(duì)。但是從兩種跨領(lǐng)域遷移場(chǎng)景下的實(shí)驗(yàn)結(jié)果可見，所提出的DAGN 在跨被試場(chǎng)景下比其他領(lǐng)域泛化方法擁有更明顯的性能提升。這說明與其他領(lǐng)域泛化方法相比，DAGN 在源域和目標(biāo)域的差異較大時(shí)能夠提取更加通用的特征，從而實(shí)現(xiàn)更好的跨領(lǐng)域情緒識(shí)別效果。

4 結(jié)語

為了減少對(duì)目標(biāo)域數(shù)據(jù)的依賴和提高模型的跨領(lǐng)域應(yīng)用能力，本文提出了一個(gè)新穎的領(lǐng)域泛化方法——?jiǎng)討B(tài)對(duì)抗泛化網(wǎng)絡(luò)。通過全局對(duì)抗和局部對(duì)抗的動(dòng)態(tài)融合方式，該方法能夠有效地從多個(gè)源域中學(xué)習(xí)能夠提取領(lǐng)域不變特征的模型。所提出方法的性能在情緒腦電數(shù)據(jù)集SEED 上得到了驗(yàn)證，而且取得了與領(lǐng)域自適應(yīng)方法較為接近的結(jié)果，有利于促進(jìn)腦電情緒識(shí)別模型在實(shí)際場(chǎng)景中的應(yīng)用。