亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

FSA-Net: Coarse-to-fine domain adaptation with flexible source aggregation for cross-subject EEG emotion recognition

计算机科学 水准点(测量) 适应(眼睛) 人工智能 域适应 领域(数学分析) 构造(python库) 模式识别(心理学) 脑电图 机器学习 学习迁移 质量(理念) 情绪识别 机制(生物学) 标记数据 计算复杂性理论
作者
Shuang Ran,Wei Zhong,Shuzhan Hu,Long Ye,Qin Zhang
出处
期刊:Tsinghua Science & Technology [Tsinghua University Press]
标识
DOI:10.26599/tst.2026.9010060
摘要

Cross-subject emotion recognition based on electroencephalography (EEG) remains challenging due to non-stationary distribution shifts among individuals. Existing domain adaptation methods typically follow fixed paradigms, either indiscriminately merging sources, which risks negative transfer, or isolating them as independent branches, which leads to high computational redundancy. To address this dilemma, we propose a novel flexible source aggregation net-work (FSA-Net) for coarse-to-fine domain adaptation. Unlike static methods, our approach first introduces a similarity-based aggregation mechanism that dynamically reconfigures source domains based on their affinity to the target, effectively balancing model complexity with transfer performance. Subsequently, we construct a hierarchical alignment strategy that minimizes global discrepancy through coarse alignment using maximum mean discrepancy (MMD), as well as fine-grained subdomain adaptation incorporating contrastive learning with local MMD. This ensures that samples with identical emotion labels are clustered while distinct categories are separated in the latent space. Furthermore, a domain-aware weighted ensemble strategy is designed to integrate predictions based on the adaptation quality of each aggregated branch. Extensive experiments on the benchmark SEED and SEED-IV datasets demonstrate that FSA-Net achieves superior state-of-the-art accuracy of 90.80% and 82.74%, respectively, validating its efficacy in robust cross-subject emotion decoding.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
suyongye完成签到,获得积分10
2秒前
熊猫四海完成签到 ,获得积分10
12秒前
科研通AI6.4的应助被YCLING采纳,获得10
15秒前
玖嬴完成签到,获得积分10
18秒前
Owen的应助被北极幸运星采纳,获得20
19秒前
可靠之玉发布了新的文献求助30
21秒前
helloWorld完成签到,获得积分10
23秒前
24秒前
kiki发布了新的文献求助10
28秒前
29秒前
萧雨墨发布了新的文献求助10
31秒前
32秒前
36秒前
pang完成签到,获得积分10
39秒前
39秒前
努力学习中完成签到,获得积分10
40秒前
余香的应助被萧雨墨采纳,获得10
43秒前
48秒前
YCLING发布了新的文献求助10
48秒前
48秒前
infinity完成签到 ,获得积分10
48秒前
小蘑菇的应助被从容问柳采纳,获得100
49秒前
ubless607给成博的求助进行了留言
50秒前
666完成签到 ,获得积分10
50秒前
田様的应助被sissiarno采纳,获得10
51秒前
共享精神的应助被sissiarno采纳,获得10
51秒前
余香的应助被sissiarno采纳,获得10
51秒前
51秒前
嘻嘻哈哈的应助被sissiarno采纳,获得10
51秒前
Nole完成签到,获得积分0
51秒前
CipherSage的应助被sissiarno采纳,获得10
51秒前
完美世界的应助被sissiarno采纳,获得10
51秒前
ding的应助被sissiarno采纳,获得10
52秒前
完美世界的应助被sissiarno采纳,获得10
52秒前
脑洞疼的应助被sissiarno采纳,获得10
52秒前
的速度发布了新的文献求助10
53秒前
54秒前
56秒前
msezhj完成签到 ,获得积分10
56秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 2000
Sex, Aging, and Death in a Medieval Medical Compendium: Trinity College Cambridge MS R.14.52, Its Texts, Language, and Scribe 500
高分子基功能界面水蒸发材料与应用研究 500
外场增强的水汽发电研究 500
基于结构调控的功能化水诱导发电材料与器件研究 500
基于界面调控的高效湿气发电材料与器件研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8190049
求助须知:如何正确求助?哪些是违规求助? 9577165
关于积分的说明 21851842
捐赠科研通 7788131
什么是DOI,文献DOI怎么找? 3436227
关于科研通互助平台的介绍 2559910
邀请新用户注册赠送积分活动 2482768