MDDD: Manifold-based Domain Adaptation with Dynamic Distribution for Non-Deep Transfer Learning in Cross-subject and Cross-session EEG-based Emotion Recognition

本研究提出了一种新颖的非深度迁移学习方法，称为基于流形的动态分布自适应（MDDD），用于使用基于脑电图（EEG）的情感脑机接口进行情感解码，代表了情感计算领域的一个重要领域。所提出的MDDD包括四个主要模块：流形特征转换、动态分布对齐、分类器学习和集成学习。数据经过转换到最佳Grassmann流形空间，使得源域和目标域动态对齐。该过程根据其重要性优先考虑边缘和条件分布，确保在各种类型的数据上实现增强的适应效率。在分类器学习中，集成了结构风险最小化原则以开发强健的分类模型。这与动态分布对齐相结合，可以迭代地对分类器进行优化。此外，集成学习模块聚合了优化过程中不同阶段获得的分类器，利用分类器的多样性来提高整体预测准确性。实验结果表明，MDDD优于传统的非深度学习方法，平均提高了3.54％，与深度学习方法相当。这表明MDDD可能是增强aBCIs在现实场景中实用性和适用性的一种有前途的方法。

本文旨在解决基于脑电图（EEG）的情感脑-计算机界面（aBCI）中的情感解码问题。具体而言，作者提出了一种新的非深度转移学习方法，名为基于流形的动态分布自适应（MDDD），以提高aBCI在现实场景中的实用性和适用性。

MDDD包括四个主要模块：流形特征转换、动态分布对齐、分类器学习和集成学习。通过将数据转换为最优Grassmann流形空间，实现源域和目标域的动态对齐，优化边缘和条件分布以提高适应性。分类器学习中，结合结构风险最小化原则开发鲁棒的分类模型。动态分布对齐模块迭代地对分类器进行优化。此外，集成学习模块将不同阶段获得的分类器聚合起来，利用分类器的多样性来提高总体预测准确性。

实验结果表明，MDDD优于传统的非深度学习方法，平均提高了3.54％，并且与深度学习方法相当。作者还使用了多个数据集进行实验，并公开了代码和数据集。这项工作的亮点在于提出了一种新的非深度转移学习方法，能够提高aBCI在现实场景中的实用性和适用性。

最近的相关研究包括使用深度学习方法进行情感分类的研究，例如“使用深度学习进行EEG情感分类：一种改进的基于CNN的方法”（Deep learning for EEG-based emotion classification: An improved CNN-based approach）和“基于深度学习的EEG情感分类：一种新的特征提取方法”（EEG-based emotion classification using deep learning: A new feature extraction approach）。