文献阅读4-5

4.Method

图5是整体框架和流程

整体分析
首先上面的绿色小人表示源域数据，带有情绪标签；而下面一行的蓝色小人是目标域数据，没有标签。

1. Density-Based Subdomain Information先在每个域内部找子域结构：作者用DBSCAN在源域样本中挖掘出了若干个密度簇，这些簇就是论文中说的density-based subdomains（基于密度的子域），在目标域中，灰点表示目标域样本（无标签），同样用 DBSCAN 把目标域灰点分成若干簇（子域），在这里因为DBSCAN本来就是无监督聚类算法，不需要标签，这一步找出来了目标域的局部结构。

2. Feature Extractor + Discriminator做无监督域适配，对齐边缘分布：
   源域样本和目标域样本都会进入同一个 Feature Extractor，得到特征表示为\(f(x_s)\)和\(f(x_t)\)，其中Feature Extractor（特征提取器）是DANN里的一个模块；DANN 是由 Feature Extractor + 分类器 + 域判别器组成的一整套训练框架；然后是Discriminator（域判别器），它的作用是做对抗训练：让域判别器分不出这是源域还是目标域，从而逼迫 Feature Extractor 学到更域不变的特征，这两部分解决的是边缘分布差异，让源/目标在特征分布上更接近。

关于Feature Extractor和Discriminator的关系：D 用 F 的输出当输入，先用 F 把输入样本 (x) 编码成特征，D 接收这个特征 (z)，去判断它来自哪个域（源域 or 目标域）。F要让 D 分不出来（让源/目标特征变得像）即“最大化”这个域判别损失，而D想让域分类正确，所以要最小化域判别损失，所以二者是一个 min-max 对抗。因此训练时两者“斗法”：D 越聪明，F 就要学得更会隐藏域差异；最终逼出“更域不变”的特征

3. Subdomain Prototype Matching算子域原型并匹配：对每一个子域簇\(C_k\),计算出一个代表，这个代表就是原型，即簇内特征均值向量：

\[p_k = \frac{1}{|C_k|} \sum_{x \in C_k} f(x) \]

这样源域有一组子域原型；目标域也有一组子域原型

然后进行原型匹配（Prototype Matching），得到簇的伪标签（通常是距离最近/相似度最高），然后把这个簇的伪标签传播到簇内所有标签（cluster-wise），这样目标域的每一个子域决定好了一个情绪类别（该子域的伪标签）。

4. Classifier用真标签监督源域，用伪标签监督目标域：Classifier分类器产生源域预测\([\hat{Y}_s]\),目标域预测\([\hat{Y}_t]\)，在源域中用真实标签\([Y_s]\)去监督\([\hat{Y}_s]\),得到普通交叉熵分类训练\(\mathcal{L}_{\mathrm{cls}}^{s}\)，然后利用原型匹配得到的伪标签\([Y_t]\)去监督\([\hat{Y}_t]\),同样得到交叉熵\(\mathcal{L}_{\mathrm{pl}}^{t}\)，但是标签是伪的

4.1. Problem formulation问题形式化

整体问题为跨被试EEG情绪识别=UDA，因为把“新被试”看成一个新的数据域（domain），而我们没有这个新被试的标签，只能用别的被试（有标签）的数据去适配它。这正好符合 无监督领域自适应（UDA） 的定义。

将每一个被试看作为一个源域，所以多个被试代表整体任务为多源域策略，EEG 的个体差异很大，把每个人看成一个域更符合真实情况，并且后面“子域/原型”也更容易解释为“每个个体内部的分布结构”

模型组件为F+H+D，即特征提取器、分类器、域判别器

4.2 Density-based subdomain information 基于密度的子域信息

子域的划分用DBSCAN密度聚类算法，因为抗噪声：EEG 噪声大，DBSCAN 可以把离群点当 noise；不需要预设簇数：每个被试/每种状态的团块数量不固定；簇形状任意：EEG 特征团块可能不是圆形高斯团，DBSCAN 更灵活，而且这个划分过程要在靠近原始信号（或浅层特征）上做DBSCAN，因此此时的子域密度可分性更强。

4.3. Unsupervised domain adaptation无监督域适配

在定义ig.5 中间的“Feature Extractor + Discriminator + (L_{adv})”模块，主要想解决的就是“个体差异 = 域差异”问题，因为跨被试时，EEG 的分布差异很大，模型容易学到“某个人的特征”，而不是“情绪的特征”。域对抗的目的就是：去掉“人/域”的特征，让特征更通用。
而DANN的对抗训练就是：

• 对判别器：最小化这个域分类损失（分得越准越好）
• 对 特征提取器:反过来最大化它（让它分不出来） 直观来说就是让域不可分，主要解决了边缘分布，让源/目标的特征分布更接近

4.4 Subdomain prototype matching子域原型匹配

DANN只能进行粗对齐，他能做到的是让源/目标整体特征像，整体相似之后，具体的不同情绪类别可能还会有错位，简单的说就是要让细粒度对齐，按子域/簇来对齐情绪结构。具体的过程就是跟前面描述fig5的内容一样。

一句话总结为：DANN 负责“让源/目标特征空间整体变近”；子域原型匹配负责“让目标域的子域按情绪类别对齐到源域子域”，并以簇级方式生成伪标签。

4.5 Target pseudo-label loss 目标域伪标签损失

这一段就是又具体讲了一下损失，也说明了训练数据从哪里来：训练时同时用：源域样本，带真标签；目标域样本，配伪标签

混合源域自适应的预训练算法：在正式做子域原型匹配/伪标签之前，先用多源（多个被试）+ 目标域无标签做一轮 DANN 风格的预训练，把特征空间先对齐到一个比较可迁移的状态。
Input：训练轮数、K个源被试数据集（每个被试一个源域，带标签）、目标被试数据集（无标签）
Output：预训练后的模型参数，也就是 Feature Extractor、Classifier、Discriminator 都先训练到一个初始较好的状态。
1：合并多源域，先把所有有标签的源数据合在一起做监督训练。
2：按 epoch 循环
3：repeat（通常意味着遍历完一个 epoch 的数据）
4：从统一源域采一个 mini-batch
5：从目标域采一个 mini-batch
6：算源域分类损失
7：算域对抗/域对齐损失
8：算预训练总损失
9：更新模型参数，用梯度下降更新，实现上判别器和特征提取器的目标相反，但通过 GRL 可以写成统一“minimize”的形式
10：直到源域样本都处理完
11：end for结束预训练

4.6Learning with multi-source多源学习

问题所在：训练早期源/目标差异大 → 原型匹配 + 伪标签传播不可靠 → 错误会累积、影响收敛
分为两阶段学习框架：
1.mixed-source pretraining（混合源域预训练）：先把特征空间对齐得“可用、稳定”
2.sequential multi-source training（顺序多源训练）：再逐个源域与目标对齐，做更精细的原型匹配与伪标签学习

其中4.5的Algorithm1就是4.6的第一个阶段：用源域真标签先把“情绪分类能力”打牢，同时做域对抗让目标域特征先粗对齐，最后先得到一个比较稳定的特征空间初始化，为后面的原型匹配做准备。
但是混合源域不适合做原型匹配，不同源被试相对目标被试会有不同的偏差，比如：

• 源1可能和目标更像
• 源2可能差异很大
• 源3在某些情绪上更接近
  如果把源1/2/3混在一起算原型或做匹配：
• 原型会被“平均化”
• 掩盖了“哪个源域更接近目标”的结构
• 容易导致匹配错、伪标签不可靠

因此在做原型匹配时，使用顺序多源训练的思想：一次只拿一个源域（一个被试）与目标域对齐 + 做一对一原型匹配：

• 更精确地处理“源k ↔ 目标”的差异
• 更利于条件分布（类别结构）的细粒度对齐
• 原型匹配更可信

Algorithm2就是论文训练的核心：顺序多源训练+子域原型匹配生成伪标签 + 用三种损失联合更新，整体过程就是：每个epoch只选一个源被试域来和目标域进行对齐，先在这对（源k + 目标）上做 DBSCAN 子域划分 → 计算子域原型 → 原型匹配生成目标伪标签，然后用：

来更新网络，下个 epoch 换另一个源域，如此循环

逐行解释 Algorithm 2
input：epoch 数 (E)，源被试数据集集合，目标被试数据
output：训练好的 DBPM 模型
1.用预训练模型初始化
2.for e = 1 to E do
3.选择“当前源域” e=1用源域1，e=2用源域2... 这就是“顺序多源”：一次只对齐一个源域，避免混合源域掩盖差异
4.对当前源域 + 目标域提取子域信息并算原型 在4.2和4.4中有定义
5.用原型匹配生成目标域伪标签
6.repeat（开始一个 epoch 内的 mini-batch 训练）
7.取源域 k 的一个 mini-batch
8.取目标域一个 mini-batch（带伪标签）
9-12 计算三种损失（对应 4.3 和 4.5） 域对抗损失（源k vs 目标);源域k 的真标签分类损失;目标域伪标签分类损失
13.更新参数
14.直到两个域的数据都处理完
15.end for(下一 epoch 换下一个源域)

5.Experiment

5.1. Emotional databases

实验使用了两个数据集：SEED和 SEED-IV
SEED 数据集包含 15 名被试的 EEG 数据，每名被试在不同时间参与了 3 次实验（3 个 session）。在每次 session 中，被试观看 15 段电影片段。每段片段开始前有 5 秒提示阶段（cue phase），片段结束后有 45 秒自评阶段（self-assessment phase），片段之间有 15 秒休息时间。三个 session 使用相同的电影片段，以诱发三种情绪状态：消极（negative）、中性（neutral）和积极（positive）。

SEED-IV 数据集同样包含 15 名被试的 EEG 数据，实验在 3 个不同日期进行，每天 1 次 session。在每次 session 中，被试观看 24 段不同的电影片段，用于诱发四种情绪状态：快乐（happiness）、悲伤（sadness）、恐惧（fear）和中性（neutrality）。与 SEED 不同的是，SEED-IV 的电影片段在不同 session/实验之间并不相同。两个数据集的 EEG 信号都使用 62 通道的 ESI Neuroscan 系统记录。

为与先前研究进行公平对比，两个数据集采用相同的预处理步骤。首先，将采样率下采样到 200 Hz，并使用带通滤波保留 0.3 Hz 到 50 Hz 的频率成分。在 SEED 数据集中，每个 trial 被分割为不重叠的 1 秒片段；而在 SEED-IV 数据集中，每个 trial 被分割为不重叠的 4 秒片段。每个片段都被视为一个用于模型训练的样本。接着，从五个预定义频带提取差分熵（Differential Entropy, DE）特征：Delta（1–3 Hz）、Theta（4–7 Hz）、Alpha（8–13 Hz）、Beta（14–30 Hz）和 Gamma（31–50 Hz）。对每个频带，将 62 个值（对应 62 个 EEG 通道）拼接起来，得到一个 310 维的特征向量。

在 SEED 数据集中，每个 session 包含 3394 个样本。对于 SEED-IV 数据集，三个 session 分别包含 851、832 和 822 个样本。

SEED原始采集得到的是多通道时间序列EEG（矩阵/3D向量），只是这篇论文把它预处理并提取成为DE特征向量（5个频带，每个频带62个通道）来训练，所以是向量化（展开后为310dimension）之后的结果。

5.2. Experiment settings

主要是特征提取器、域判别器、分类器的参数设置

首先：特征提取器、域判别器 和分类器都使用带ReLU激活函数的多层感知机（MLP）实现

• 特征提取器的结构设计为：310（输入层）– 64（隐藏层1）– ReLU 激活 – 64（隐藏层2）– ReLU 激活
• 域判别器的结构设计为：64（输入层）– 64（隐藏层1）– ReLU 激活 – dropout 层 – 1（输出层）– Sigmoid 激活
• 分类器的结构设计为：64（输入层）– 32（隐藏层1）– 64（隐藏层2）– (C)（输出层）

此外：使用 RMSprop 优化器更新参数；SEED 数据集的学习率为5e-5，SEED-IV 数据集为1e-3；batch size 设为 96；最大训练 epoch 为 1000；预训练 epoch 数设为 14；公式（7）中的超参数设为0.011，所有实验在一块 NVIDIA GeForce RTX 5070 Ti GPU 上进行，CUDA 版本为 12.8。

5.3Experiment protocols

在本文中，我们在两个数据集上开展跨被试实验，以评估 DBPM 的性能。为与先前研究保持一致，我们在跨被试实验中采用留一被试法（Leave-One-Subject-Out，LOSO）的交叉验证策略。具体来说，将某一名被试的样本用于测试，而其他被试的样本用于训练。我们在 SEED 和 SEED-IV 两个数据集的三个 session 上都进行了实验。在这些实验中，模型性能以准确率（accuracy）作为评估指标。

5.4 result

表1是作者在 SEED 和 SEED‑IV 两个数据集上做的 跨被试（cross-subject）情绪识别实验的结果，用来对比 DBPM 和一系列已有方法的性能。在这个跨被试实验里，训练用的数据和测试用的数据都来自同一个数据集（SEED或SEED-IV），只是按 被试（subject） 划分成源域/目标域；并且对 DBPM 这类 UDA 方法，还会把目标域数据在训练阶段以“无标签”的方式用来做自适应。

SEED数据集结果

分析：传统浅层迁移（TCA/SA）很低且方差大：说明跨被试差异大，浅层对齐不够。深度 UDA（BiDANN、DA‑CapsNet、UDDA、GDDN）明显更好，并且 std 逐渐变小，说明更稳。在 transfer learning 组里：最佳均值是 GDDN：92.54；

分析：Prototype learning 这组在 SEED 上能做到 93 左右（PR‑PL），已经接近/超过很多 transfer learning 方法，说明“原型/度量学习”在 EEG 情绪识别里确实有效。

分析：相比 transfer learning 里最强的 GDDN（92.54）：提升 = 94.86 − 92.54 = 2.32 个百分点；相比 prototype learning 里最强的 PR‑PL（93.06）：提升 = 1.80 个百分点

关于std：DBPM 的 std（6.43）并不算最小（GDDN 3.65 更稳），这意味着DBPM 平均更高，但跨 fold/subject 的波动仍存在；这也可能与伪标签策略、DBSCAN 聚类超参敏感等因素有关。

SEED-IV数据集结果
注意：SEED‑IV 更难（4 类、刺激片段跨 session 变化），所以整体准确率更低、std 往往更大。

分析：迁移学习里最强均值是 GDDN：75.65；std 普遍比 SEED 更大（比如 MEERNet 12.10），符合“任务更难、更不稳定”。

分析：？？？？PR‑PL 在 SEED‑IV 上的 best session 达到 81.32，看起来非常强（甚至高于 DBPM 的均值）。但它没有给出非括号的“全 session 平均”结果（该格显示为 /），所以你不能直接拿它和 DBPM 的均值公平比较

分析：相比 transfer learning 最强 GDDN（75.65），提升 = 78.90 − 75.65 = 3.25 个百分点。

为什么 DBPM 在每个数据集下面会出现“两行/两个结果”？

不带括号的数：在 三个 session 的整体设置下得到的结果（通常是对三次 session 的 LOSO 结果做汇总后的 mean / std）
带括号的数：即 最佳单个 session 的结果（在 session1/2/3 里挑出表现最好的一次，再报告该 session 下的 mean / std）。

PR‑PL 在 SEED‑IV 这一列只给了括号里的“best session”结果，没有给不带括号的“总体结果”，因此要对比也只能对比最好的结果，而不是PR-PL的最好结果去对比DBPM的平均结果
--------------------------------------------------------------------------------------
表2的内容分析：

session基本可以理解为同一被试在不同时间（不同天/不同轮次）完成的一次完整实验记录，所以在SEED中的session就是每个被试做 3 个 session，这 3 个 session 在不同时间进行；每个 session里，被试观看 15 个电影片段（每个片段引发负/中/正之一）；而且 三个 session 用的是同一组电影片段（为了控制刺激一致性）

对表2的质疑：作者的意思是说表2的目的是证明DBPM自己在不同session上的表现稳定、且F1与Accuracy一致，但是我认为table中没有与其他模型进行对比（即没有横向对比）
然后表2的准确率是：在 跨被试（LOSO）设置下，对某一个 session 的数据做情绪分类时得到的 分类准确率。

--------------------------------------------------------------------------------------
混淆矩阵：行：真实类别（Ground Truth）；列：预测类别（Predicted）；矩阵中的元素 M_ij 表示：真实类别是i的样本中，有多少被预测成了j。对角线M_ii：预测正确的数量（越大越好）；非对角线M_ij：把i误判成j的数量（错误类型）

图6+图7

结果简单分析：DBPM在SEED的中性识别非常准确，并且减少了neutral↔negative 的互相错分；DBPM在SEED-IV在fear和sad这类更难/更极端的类别上识别准确率比其他的方法要好，但在 neutral、happy 上未必全面碾压（甚至略低）。

6. Disscusion

6.1. Ablation study

消融实验从两部分展开：1）关于 DBPM 组件的消融（Ablation Study about DBPM）2）关于训练策略的消融（Ablation Study about Training Strategy）

• 1）关于 DBPM 组件的消融（Ablation Study about DBPM）
  ①：w/o Discriminator（去掉域判别器/对抗对齐），没有域对齐后性能大幅下降，说明域判别器对缓解跨被试差异非常关键
  ②：w/o Prototype Matching（去掉原型匹配），原型匹配将源域的标签信息以伪标签形式迁移到目标域，如果改为直接使用模型输出作为伪标签，模型性能会下降。
  ③：w/o Target Pseudo-label Loss（去掉目标域伪标签损失），伪标签监督对 SEED 提升很明显；对 SEED-IV 提升较小（去掉后只小幅下降）

• 2）关于训练策略的消融（Ablation Study about Training Strategy）
  这部分研究“训练流程设计”带来的增益，
  ①w/o Mixed-Source Pretraining Stage（去掉混合源域预训练阶段），混合源域预训练能带来稳定增益，但不是最关键的那一个模块。

②w/o Sequential Multi-Source Strategy（去掉顺序多源策略），顺序多源训练对性能贡献很大，去掉后掉得明显

与SEED-IV相比，SEED数据集从原型匹配中获益更多，鉴于原型匹配需要稳定的分布对齐，这表明其有效性依赖于基线（baseline）的可靠性，