基于多任务共享表示与维度耦合约束的脑电情绪识别及泛化评估模型
摘 要
脑电信号作为中枢神经系统活动的客观反映，在情绪识别领域具有不可替代的优势。然而，现有模型大多忽略了情绪在“效价、唤醒度、支配度”三维空间中的心理学拓扑耦合关系，且面临严重的跨被试泛化瓶颈。本文针对脑电情绪识别问题，构建了一套从特征降维、多任务耦合建模到跨被试域适应的完整智能评估系统。
针对问题一，特征提取与单任务基线建模。本文摒弃了单纯的时域分析，采用短时傅里叶变换提取五大经典脑电频段的差分熵特征。为了用文字阐述差分熵的优越性，其本质是计算特定频段信号能量方差的自然对数，该处理能够有效平滑极端异常值，使特征分布更加贴近正态分布。为克服全脑多导联带来的高维共线性，我们创新性地引入了基于互信息与套索绝对值正则化的双重特征筛选策略。通过构建支持向量机等单任务基线模型，发现不同情绪维度在大脑皮层的激活区域存在显著差异（例如额叶对效价更为敏感），但单任务模型因忽略维度相关性，分类准确率存在明显的上限瓶颈。
针对问题二，多任务联合建模与耦合约束嵌入。本文突破性地提出了一种基于硬参数共享机制的多任务深度神经网络。在模型优化目标的构建上，我们不仅包含各维度的分类基础误差，更自主构建了三大物理与心理学耦合惩罚项：第一是基于拉塞尔环形情绪模型的流形几何约束，迫使效价与唤醒度的预测值分布在一个特定半径的圆环上；第二是能量一致性惩罚，约束唤醒度与支配度保持正向协同变化；第三是协方差相关性约束。实验证明，该耦合模型有效限制了神经网络的解空间，迫使模型学习到符合人类心理学常理的特征表示，三分类综合准确率相比基线模型实现了显著的跃升。
针对问题三，跨被试泛化评估与个体差异归因。面对脑电信号严重的非平稳性与个体差异，本文在严苛的留一被试交叉验证机制下，进一步引入了对抗域适应网络。通过在特征提取器与身份判别器之间插入梯度反转层，该网络在反向传播更新参数时，会故意将梯度取负，从而混淆被试的身份特征，强制共享编码器提取“被试无关但情绪相关”的领域不变特征。该方法彻底打破了传统模型跨被试准确率低下的天花板，并深度量化了不同被试间的源域与目标域分布距离。
针对问题四，极端数据缺失下的系统鲁棒性测试。本文设计了电极随机遮蔽模拟实验，以还原实际脑机接口设备中导联松动脱落的真实应用场景。通过对比不同脑区数据丢失时的性能衰减率，验证了多任务耦合网络在丢失百分之三十导联数据的情况下，依然能够利用其他脑区的关联信号进行神经代偿预测，性能下降幅度极小，展现出极强的抗噪鲁棒性，为实际临床与工程应用提供了坚实的科学依据。
关键词：脑电情绪识别；差分熵特征；多任务学习；情绪维度耦合；对抗域适应；留一交叉验证
一、 问题重述与背景分析
1.1 问题背景
情绪识别是脑机接口与人机交互领域的核心议题。心理学通常将情绪映射到一个由效价（即情绪的正负面程度）、唤醒度（即情绪的激动或平静程度）和支配度（即对局面的掌控感）构成的三维连续空间中。当前，基于脑电信号的情绪识别面临三大痛点：首先是维度割裂，传统方法将这三个维度视为绝对独立的分类任务，忽略了“高唤醒往往伴随极端效价”等心理学耦合规律；其次是跨被试灾难，由于颅骨厚度、头皮阻抗和神经元连接的极大个体差异，在某位测试者身上训练好的模型极难直接泛化到另一位测试者；最后是特征冗余，全脑多导联信号存在极大的空间自相关性，容易引发维度灾难。
1.2 问题分析与解决思路
本文认为，解开脑电情绪识别谜题的关键在于“向黑盒模型中注入人类的先验知识结构”。深度神经网络极其擅长拟合数据，但在小样本脑电数据集上极易产生严重的过拟合。
因此，在特征工程层面，我们需要从原始信号中提取符合高斯分布特性的能量特征；在网络架构层面，绝不能让三个情绪维度的预测各自为战，必须强制它们共享一个底层的特征提取主干；在优化算法层面，我们将心理学常识转化为惩罚机制，作为约束项加入总体误差评估中；在泛化能力提升层面，引入博弈论中的对抗学习思想，让网络主动“遗忘”当前信号属于哪个人，仅仅提纯信号背后的情绪本质。
二、 核心概念界定与理论基础
为了确保逻辑推演的严密性，本文对以下核心概念进行界定：
第一，多任务硬参数共享。指在深度神经网络的前端，所有输入数据共同经过若干层相同的神经元网络进行特征提炼，随后在网络的尾部再分化为多个独立的分支去分别预测不同的情绪维度。
第二，拉塞尔情绪环形模型。这是一种经典的心理学理论，该理论指出，人类的绝大多数情绪状态并非均匀分布在效价与唤醒度构成的二维平面上，而是倾向于分布在一个特定半径的圆环周边。例如，极度高兴或极度悲伤（极端效价）必然伴随极高的唤醒度，而不存在极度悲伤且极度平静的自然情绪状态。
第三，最大均值差异。一种用于衡量两个不同数据集合（例如训练集被试与测试集被试）之间概率分布差异的空间距离度量方法。距离越小，说明模型提取的特征越具有通用性。
三、 问题一：多维特征工程与单任务基线建模
3.1 频域特征提取与差分熵构建
传统的功率谱密度分析往往在低频区域展现出极高的幅值，而在高频区域幅值锐减，这种固有的尺度失衡会导致机器学习算法对低频信号产生过度偏好。
为了解决这一问题，我们引入了差分
