DOI: https://doi.org/10.1109/taffc.2026.3713402
تاريخ النشر: 2026-01-01
المؤلف: Md Niaz Imtiaz وآخرون
الموضوع الرئيسي: التعرف على العواطف والمزاج
نظرة عامة
تقدم هذه البحث طريقة جديدة للتكيف غير المراقب بدون مصدر (SF-UDA) للتعرف على المشاعر المستندة إلى EEG، مع معالجة تحديات كبيرة مثل اختلافات المجال، والبيانات المحدودة المعلّمة، وغياب بيانات المصدر بسبب مخاوف الخصوصية. يعزز الإطار المقترح قابلية تكيف النموذج من خلال تنظيم التكيف الثنائي (DLAR)، الذي يقلل من اختلافات التنبؤ على العينات الموثوقة ويطابق التنبؤات مع التسميات الزائفة المتوقعة. بالإضافة إلى ذلك، تم تقديم تعلم التناسق المحلي (LCL) لفرض التناسق المحلي بين الجيران الموثوقين، مما يقلل بشكل فعال من تأثير التسميات الزائفة المزعجة.
تظهر النتائج التجريبية على ثلاثة مجموعات بيانات – DEAP و SEED و DREAMER – أن الطريقة المقترحة تتفوق بشكل كبير على الأساليب الحالية الرائدة، حيث تحقق دقة 65.84% و 58.87% على SEED و DREAMER، على التوالي، عند التدريب على DEAP، و 58.99% و 67.08% على DEAP و DREAMER عند التدريب على SEED. تتفوق الطريقة في اكتشاف كل من المشاعر الإيجابية والسلبية، مما يشير إلى إمكانياتها للتطبيقات العملية في التعرف على المشاعر. ستركز الأعمال المستقبلية على تقييم قابلية تعميم النموذج عبر مجموعات بيانات متنوعة، وتحسين عملية التسمية الزائفة، وتكييف النموذج لتسمية المشاعر المستمرة بناءً على أبعاد القيمة والاهتياج.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية التعرف على المشاعر عبر مجالات مختلفة، بما في ذلك علم النفس والطب والهندسة. تؤكد على دور الإشارات الفسيولوجية، وخاصة بيانات تخطيط الدماغ (EEG)، في توفير وسيلة موثوقة وموضوعية للتعرف على المشاعر مقارنة بالإشارات غير الفسيولوجية. على الرغم من التقدم في التعلم العميق الذي يعزز أداء فك تشفير EEG، فإن التحديات مثل تحول المجال والحاجة إلى بيانات موسومة واسعة النطاق تعيق فعالية نماذج التعرف على المشاعر عبر المجالات. تحدد الورقة فجوة في الأبحاث الحالية فيما يتعلق بالسيناريوهات عبر مجموعات البيانات وتقدم مفهوم التكيف غير المراقب بدون مصدر (SF-UDA)، الذي يسمح بنقل المعرفة دون الوصول إلى بيانات مجال المصدر، وبالتالي معالجة مخاوف الخصوصية.
يقترح المؤلفون طريقة جديدة للتكيف غير المراقب بدون مصدر (SF-UDA) مصممة خصيصًا لتصنيف المشاعر المستندة إلى EEG، والتي تتكون من أربع مراحل: التدريب المسبق، والحساب، وتكيف الهدف، والاستدلال. تشمل الابتكارات الرئيسية تنظيم التكيف الثنائي (DLAR) وتعلم التناسق المحلي (LCL)، اللذان يعززان أداء النموذج من خلال تقليل اختلافات المصنف وفرض تناسق التنبؤ المحلي. يتم تقييم الطريقة المقترحة مقابل ثلاث مجموعات بيانات للتعرف على المشاعر – DEAP و SEED و DREAMER – مما يظهر أداءً متفوقًا في إعدادات عبر مجموعات البيانات مقارنة بأساليب SF-UDA الحالية. توضح الورقة مساهماتها، بما في ذلك تقديم SF-UDA لتعرف المشاعر باستخدام EEG، وإطار عمل متعدد المراحل قوي، وتقنيات جديدة لتحسين موثوقية التنبؤ.
طرق
في هذا القسم، يوضح المؤلفون الإطار التجريبي المستخدم لتقييم نموذجهم المقترح للتعرف على المشاعر. تُجرى التجارب باستخدام ثلاث مجموعات بيانات متاحة للجمهور: DEAP و SEED و DREAMER، التي تُعتبر راسخة في مجال أبحاث التعرف على المشاعر. لتقييم أداء النموذج بدقة، ينفذ المؤلفون اختبار عبر مجموعات البيانات، حيث يتم تدريب النموذج على مجموعة بيانات واحدة ثم تقييمه على أخرى. تهدف هذه الطريقة إلى إظهار قابلية تعميم النموذج وموثوقيته عبر مصادر بيانات مختلفة.
نتائج
في هذا القسم، يقدم المؤلفون نتائج أداء نموذجهم في اختبار عبر مجموعات البيانات للتعرف على المشاعر باستخدام EEG، مقارنةً بأربعة أساليب رائدة. تظهر الطريقة المقترحة دقة متفوقة في تصنيف المشاعر الثنائية، حيث تحقق 58.99% لـ SEED → DEAP و 65.84% لـ DEAP → SEED، متفوقة على أفضل الأساليب التالية بنسبة 5.44% و 3.86%، على التوالي. تشير التحليلات الإحصائية عبر اختبارات t لعينة مزدوجة إلى أن هذه التحسينات في الدقة ذات دلالة كبيرة جدًا لـ DEAP → SEED وذات دلالة لـ SEED → DEAP عند مقارنتها بأساليب معينة موجودة.
بالنسبة للتعرف على المشاعر متعددة الفئات، تتفوق الطريقة المقترحة أيضًا، حيث تحقق دقة 51.50% و 57.37% لـ SEED → DEAP و DEAP → SEED، على التوالي. يؤكد المؤلفون أيضًا على موثوقية نموذجهم من خلال الاختبار على مجموعة بيانات DREAMER، حيث يتفوق باستمرار على الأساليب الأخرى في كل من الإعدادات الثنائية ومتعددة الفئات. تشير النتائج إلى أن النموذج يحقق أعلى دقة متوسطة عبر سيناريوهات مختلفة، مع أداء ملحوظ في اكتشاف المشاعر الإيجابية، على الرغم من التحديات في اكتشاف المشاعر السلبية على مجموعة بيانات DEAP بسبب عدم توازن الفئات. بشكل عام، تؤكد النتائج على فعالية الطريقة المقترحة في مهام التعرف على المشاعر باستخدام EEG.
نقاش
يسلط قسم النقاش في الورقة البحثية الضوء على التقدم والتحديات في تصنيف إشارات EEG باستخدام تقنيات التعلم الآلي والتعلم العميق. غالبًا ما تفشل الطرق التقليدية، مثل آلات الدعم المتجهة وأشجار القرار، في التقاط الأنماط الزمنية المعقدة الموجودة في بيانات EEG، مما يؤدي إلى ضعف التعميم عبر مجموعات بيانات مختلفة. في المقابل، أظهرت أساليب التعلم العميق، بما في ذلك المشفرات التلقائية والشبكات العصبية التلافيفية، وعدًا ولكن لا تزال تواجه صعوبات مع تحولات المجال الناتجة عن الاختلافات الفردية وظروف التسجيل. تم استخدام تقنيات التكيف غير المراقب (UDA) لمعالجة هذه التحديات من خلال محاذاة توزيعات الميزات بين المجالات المعلّمة وغير المعلّمة، ومع ذلك لا تزال العديد من الأساليب الحالية تعتمد على الوصول إلى بيانات المصدر، والتي يمكن أن تكون محدودة بسبب مخاوف الخصوصية.
لتجاوز هذه القيود، يقترح المؤلفون طريقة جديدة للتكيف غير المراقب بدون مصدر (SF-UDA) مصممة خصيصًا لتصنيف المشاعر المستندة إلى EEG. تتكون هذه الطريقة من أربع مراحل: التدريب المسبق، والحساب، وتكيف الهدف، والاستدلال، مع التركيز على تقليل اختلافات المجال دون الحاجة إلى بيانات المصدر. تستخدم الطريقة المقترحة تقنية تنظيم التكيف الثنائي (DLAR) وتعلم التناسق المحلي (LCL) لتعزيز موثوقية النموذج وتناسقه على البيانات غير المعلّمة. تشير النتائج إلى أن نموذج SF-UDA يتفوق بشكل كبير على الأساليب الأساسية، مما يظهر فعاليته في تقليل اختلافات المجال في سياق خالٍ تمامًا من المصدر، مما يمهد الطريق لتحسين التعرف على المشاعر باستخدام EEG عبر مجموعات بيانات متنوعة.
DOI: https://doi.org/10.1109/taffc.2026.3713402
Publication Date: 2026-01-01
Author(s): Md Niaz Imtiaz et al.
Primary Topic: Emotion and Mood Recognition
Overview
This research presents a novel source-free unsupervised domain adaptation (SF-UDA) method for EEG-based emotion recognition, addressing significant challenges such as domain discrepancies, limited labeled data, and the absence of source data due to privacy concerns. The proposed framework enhances model adaptability through Dual-Loss Adaptive Regularization (DLAR), which minimizes prediction discrepancies on confident samples and aligns predictions with expected pseudo-labels. Additionally, Localized Consistency Learning (LCL) is introduced to enforce local consistency among reliable neighbors, effectively mitigating the impact of noisy pseudo-labels.
Experimental results on three datasets—DEAP, SEED, and DREAMER—demonstrate that the proposed method significantly outperforms existing state-of-the-art approaches, achieving accuracies of 65.84% and 58.87% on SEED and DREAMER, respectively, when trained on DEAP, and 58.99% and 67.08% on DEAP and DREAMER when trained on SEED. The method excels in detecting both positive and negative emotions, indicating its potential for practical applications in emotion recognition. Future work will focus on evaluating the model’s generalizability across diverse datasets, refining the pseudo-labeling process, and adapting the model for continuous emotion labeling based on valence and arousal dimensions.
Introduction
The introduction of this research paper highlights the significance of emotion recognition across various fields, including psychology, medicine, and engineering. It emphasizes the role of physiological signals, particularly electroencephalogram (EEG) data, in providing a reliable and objective means of emotion recognition compared to non-physiological signals. Despite advancements in deep learning enhancing EEG decoding performance, challenges such as domain shift and the need for extensive labeled data hinder the effectiveness of cross-domain emotion recognition models. The paper identifies a gap in existing research regarding cross-dataset scenarios and introduces the concept of source-free unsupervised domain adaptation (SF-UDA), which allows for knowledge transfer without access to source domain data, thus addressing privacy concerns.
The authors propose a novel SF-UDA method specifically for EEG-based emotion classification, which is structured into four stages: pre-training, computation, target adaptation, and inference. Key innovations include Dual-Loss Adaptive Regularization (DLAR) and Localized Consistency Learning (LCL), which enhance model performance by minimizing classifier discrepancies and enforcing local prediction consistency. The proposed method is evaluated against three emotion recognition datasets—DEAP, SEED, and DREAMER—demonstrating superior performance in cross-dataset settings compared to existing SF-UDA methods. The paper outlines its contributions, including the introduction of SF-UDA to EEG emotion recognition, a robust multi-stage framework, and novel techniques for improving prediction reliability.
Methods
In this section, the authors detail the experimental framework used to evaluate their proposed model for emotion recognition. The experiments are conducted using three publicly available datasets: DEAP, SEED, and DREAMER, which are well-established in the field of emotion recognition research. To rigorously assess the model’s performance, the authors implement cross-dataset testing, wherein the model is trained on one dataset and subsequently evaluated on another. This approach aims to demonstrate the model’s generalizability and robustness across different data sources.
Results
In this section, the authors present the results of their model’s performance in cross-dataset testing for EEG emotion recognition, comparing it against four state-of-the-art methods. Their proposed method demonstrates superior accuracy in binary emotion classification, achieving 58.99% for SEED → DEAP and 65.84% for DEAP → SEED, outperforming the next best methods by 5.44% and 3.86%, respectively. Statistical analysis via paired-sample t-tests indicates that these accuracy improvements are highly significant for DEAP → SEED and significant for SEED → DEAP when compared to specific existing methods.
For multi-class emotion recognition, the proposed method also excels, achieving 51.50% and 57.37% accuracy for SEED → DEAP and DEAP → SEED, respectively. The authors further validate their model’s robustness by testing on the DREAMER dataset, where it consistently outperforms other approaches in both binary and multi-class settings. The results indicate that the model achieves the highest median accuracy across various scenarios, with notable performance in detecting positive emotions, despite challenges in negative emotion detection on the DEAP dataset due to class imbalance. Overall, the findings underscore the effectiveness of the proposed method in EEG emotion recognition tasks.
Discussion
The discussion section of the research paper highlights the advancements and challenges in classifying EEG signals using machine learning and deep learning techniques. Traditional methods, such as Support Vector Machines and Decision Trees, often fail to capture the intricate temporal patterns inherent in EEG data, leading to poor generalization across different datasets. In contrast, deep learning approaches, including Autoencoders and Convolutional Neural Networks, have shown promise but still struggle with domain shifts caused by individual differences and recording conditions. Unsupervised Domain Adaptation (UDA) techniques have been employed to address these challenges by aligning feature distributions between labeled source and unlabeled target domains, yet many existing methods still rely on access to source data, which can be limited due to privacy concerns.
To overcome these limitations, the authors propose a novel source-free unsupervised domain adaptation (SF-UDA) method specifically designed for EEG-based emotion classification. This approach consists of four stages: pre-training, computation, target adaptation, and inference, with a focus on mitigating domain discrepancies without requiring source data. The proposed method employs a Dual-Loss Adaptive Regularization (DLAR) technique and Localized Consistency Learning (LCL) to enhance model reliability and consistency on unlabeled target data. The results indicate that the SF-UDA model significantly outperforms baseline methods, demonstrating its effectiveness in reducing domain discrepancies in a fully source-free context, thus paving the way for improved EEG emotion recognition across diverse datasets.