An Enhanced Source-Free Unsupervised Domain Adaptation Framework for Cross-Dataset EEG Emotion Recognition via Predictive Coding and Test-Time Training

Technische Samenvatting: Een Verbeterd Source-Free Unsupervised Domain Adaptation Framework voor Cross-Dataset EEG Emotieherkenning

Probleemstelling
EEG-gebaseerde emotieherkenning staat voor aanzienlijke uitdagingen bij het generaliseren over verschillende datasets vanwege domeinverschuivingen die worden veroorzaakt door inter-subject variabiliteit, verschillen in opnameapparatuur, elektrodeconfiguraties en experimentele protocollen. Hoewel Unsupervised Domain Adaptation (UDA) is verkend om deze verschuivingen te mitigeren, vereisen conventionele methoden toegang tot source-domeindata tijdens de adaptatie, wat in real-world gezondheidszorg- en Brain-Computer Interface (BCI)-toepassingen vaak onpraktisch is vanwege privacy, opslag en ethische beperkingen. Source-Free Unsupervised Domain Adaptation (SF-UDA) adresseert dit door een vooraf getraind source-model aan te passen aan een ongelabeld target-domein zonder source-data. Echter, bestaande SF-UDA-methoden worstelen met grote domeingaten, de accumulatie van fouten door ruisige pseudo-labels en instabiele adaptatie, met name in de context van cross-dataset EEG-emotieherkenning.

Methodologie
De auteurs stellen een verbeterd SF-UDA-framework voor dat uit vier afzonderlijke stadia bestaat: pre-training, computation, target adaptation en inference.

1. Non-Contrastive Predictive Coding Pre-training:
   In tegenstelling tot eerder werk dat steunt op gesuperviseerde source-training, introduceert dit framework een zelfgesuperviseerde pre-training strategie. Een predictive coding model, gebruikmakend van een encoder-decoder architectuur, wordt getraind om de Power Spectral Density (PSD) van toekomstige EEG-segmenten te reconstrueren op basis van het verleden. Deze non-contrastieve aanpak leert robuuste, temporeel voorspellende representaties zonder dat negatieve paren of contrastieve objectieven nodig zijn. Het pre-training objectief combineert classificatieverlies, classifier discrepancy loss en predictive coding loss om discriminatieve en temporeel consistente feature-lering te waarborgen.

2. Target Adaptation (Dual-Stage Strategie):
   Zodra het source-model is gepre-trained, past het framework zich aan het ongelabelde target-domein aan via een tweestaps proces:

   • Multi-Loss Adaptive Regularization (MLAR): Deze fase schat de target-domein structuur in via class-wise clustering. Het genereert pseudo-labels door samples toe te wijzen aan de dichtstbijzijnde cluster-centroids. Om de training te stabiliseren en ruis te verminderen, gebruikt MLAR een betrouwbare sample mask op basis van voorspellingsvertrouwen en overeenstemming tussen cluster-gebaseerde pseudo-labels en modelvoorspellingen. De optimalisatie minimaliseert de pseudo-label overeenkomst loss, classifier discrepancy loss (Jensen-Shannon divergentie tussen twee parallelle classifiers), predictie-entropie en een target distributie balancerende term.
   • Localized Consistency Learning (LCL): Deze fase dwingt voorspellingsconsistentie af onder betrouwbare buren. Buren worden geselecteerd op basis van de intersectie van feature-ruimte gelijkenis en classifier-output gelijkenis, wat ervoor zorgt dat het model voorspellingen binnen lokale buurten uitlijnt terwijl onbetrouwbare buren worden gefilterd.

3. Lightweight Test-Time Training (TTT):
   Tijdens de inference implementeert het framework een onzekerheid-gebaseerd online update mechanisme. Samples worden geëvalueerd met behulp van predictie-entropie en predictive reconstruction error. Alleen onzekere samples (die de quantile-gebaseerde drempelwaarden voor beide metrieken overschrijden) worden geselecteerd voor adaptatie. Voor deze samples wordt een lichtgewicht update uitgevoerd op normalisatie-lagen en attention gate modules met een combinatie van entropie-minimalisatie en predictive reconstruction loss. Deze selectieve update verhoogt de robuustheid tegen distributieverschuivingen terwijl de computationele efficiëntie behouden blijft door updates te vermijden voor zelfde facto zekere voorspellingen.

Belangrijkste Bijdragen

• Verbeterd Framework: De auteurs stellen een uitgebreid SF-UDA framework voor dat specifiek is ontworpen voor cross-dataset EEG-emotieherkenning, waarbij het ontbreken van source-data en de uitdagingen van domeinverschuivingen worden aangepakt.
• Zelfgesuperviseerde Pre-training: Introductie van een non-contrastieve predictive coding strategie die robuuste temporele EEG-representaties leert zonder afhankelijk te zijn van gelabelde source-data of contrastieve objectieven.
• Robuuste Adaptatiemechanismen: Het ontwerp van een dual-stage adaptatiestrategie (MLAR en LCL) die stabiliteit en buurtconsistentie verbetert onder ruisige pseudo-labels.
• Efficiënte Test-Time Refinement: Een lichtgewicht TTT-mechanisme dat het model selectief bijwerkt voor onzekere samples, waarbij een balans wordt gevonden tussen robuustheid en computationele efficiëntie.

Experimentele Resultaten
Het framework werd geëvalueerd op drie publieke datasets: DEAP, SEED en DREAMER, met behulp van cross-dataset settings (bijv. trainen op DEAP en testen op SEED).

• Prestaties: De voorgestelde methode presteerde consequent beter dan state-of-the-art SF-UDA baselines (inclusclusief methoden van Ahmed et al., Du et al., Ragab et al., en Zhao et al.) en het eerdere SF-UDA werk van de auteurs.
  • Op de SEED dataset (getraind op DEAP) behaalde de methode 69,56% nauwkeurigheid voor binaire classificatie en 57,08% voor multi-class classificatie.
  • Op de DREAMER dataset (getraind op DEAP) behaalde het 63,03% nauwkeurigheid voor binaire classificatie.
  • Wanneer getraind op SEED en getest op DEAP, behaalde het 61,38% (binair) en 53,87% (multi-class).
• Statistische Significantie: Paired-sample t-testen bevestigden dat de verbeteringen ten opzichte van concurrerende methoden statistisch significant waren.
• Ablatie-studies: Experimenten toonden aan dat het verwijderen van de predictive coding pre-training, de MLAR module, of de test-time training resulteerde in significante prestatiedalingen, wat de noodzaak van elk component valideert.
• Interpretabiliteit: SHAP-analyse onthulde dat het model zwaar leunt op gamma en beta band features uit occipitale, prefrontale en frontaal-centrale regio's, wat overeenkomt met bekende neurofysiologische markers van emotie.

Betekenis en Claims
Het artikel claimt dat het voorgestelde framework effectief predictive zelfgesuperviseerd leren, source-free domain adaptation en test-time refinement combineert om robuuste EEG-emotieherkenning te bereiken onder zware domeinverschuivingen. Door de noodzaak van source-data te elimineren en de instabiliteit van pseudo-labels aan te pakken via een multi-stage, consistentie-gedreven aanpak, biedt de methode een praktische oplossing voor privacygevoelige affective computing toepassingen. De auteurs positioneren dit werk als een belangrijke stap voorwaarts in het overbruggen van de kloof tussen gecontroleerde experimentele datasets en real-world deployment, waar datadeling beperkt is en domeinvariabiliteit hoog is. Toekomstige richtingen die door de auteurs zijn geïdentificeerd, omvatten het verkennen van continual adaptation voor evoluerende target-distributies en het uitbreiden van het framework naar andere fysiologische signalen en multimodale fusie.