💻 computer science

CWMAN-EEG: Conditionally Weighted Multi-source Adversarial Network for Across-subject EEG Emotion Recognition

Este artigo propõe o CWMAN-EEG, uma rede adversarial multi-fonte com pesos condicionais que aborda os desafios do reconhecimento de emoções em EEG entre sujeitos ao separar características compartilhadas e individualizadas e ao ponderar adaptativamente os domínios de origem com base na similaridade de distribuição para alcançar o estado da arte nos conjuntos de dados SEED e SEED-IV.

Autores originais: Yufei Chen, Gang Zhou, Yu Nan, Rong Cao, Haohao Yin, Xuzhe Yan, Ziyang He

Publicado 2026-08-26

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yufei Chen, Gang Zhou, Yu Nan, Rong Cao, Haohao Yin, Xuzhe Yan, Ziyang He

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O cérebro humano é uma paisagem vasta e mutável de atividade elétrica, disparando constantemente sinais que codificam tudo, desde um pensamento fugaz até um sentimento profundo. Entre esses sinais, a eletroencefalografia, ou EEG, oferece uma janela única para nossos estados emocionais. Ao colocar sensores no couro cabeludo, os cientistas podem registrar os ritmos elétricos do cérebro com incrível velocidade e precisão, capturando a assinatura neural da alegria, tristeza ou medo antes mesmo de uma pessoa dizer uma palavra. Esta tecnologia possui uma promessa imensa para campos que vão desde o monitoramento da saúde mental até uma interação humano-computador mais intuitiva. No entanto, um obstáculo significativo tem se colocado há muito tempo no caminho da tornação desta tecnologia confiável para o uso cotidiano: o céreão é profundamente pessoal. Assim como não existem duas impressões digitais idênticas, não existem dois cérebros que produzam padrões elétricos idênticos, mesmo quando sentem exatamente a mesma emoção. Essa individualidade cria uma barreira massiva para computadores que tentam aprender com uma pessoa e aplicar esse conhecimento a outra, frequentemente fazendo com que o sistema falhe ao enfrentar um novo usuário.

Para superar essa barreira, pesquisadores recorreram a uma técnica conhecida como adaptação de domínio, que essencialmente ensina um computador a reconhecer padrões entre diferentes pessoas ao encontrar os fios comuns que as unem. Um estudo recente de Yufei Chen e colegas do Laboratório de Chave Estadual de Engenharia Matemática e Computação Avançada e da Universidade de Zhengzhou introduz uma nova abordagem chamada CWMAN-EEG. Este método aborda o problema das diferenças individuais não tratando todas as pessoas como um grupo único e misturado, mas respeitando suas características únicas enquanto ainda encontra o núcleo emocional compartilhado. Os pesquisadores desenvolveram um sistema que aprende com várias pessoas ao mesmo tempo, tratando cada pessoa como uma fonte distinta de informação. Em vez de forçar esses diferentes cérebros em um único molde, o sistema utiliza uma estratégia dupla: ele identifica as características universais das emoções que são compartilhadas por todos os seres humanos, enquanto simultaneamente preserva as peculiaridades específicas e individuais dos sinais cerebrais de cada pessoa. Isso permite que o sistema construa uma compreensão robusta da emoção que possa ser transferida para uma nova pessoa, não vista anteriormente, com uma precisão muito maior do que os métodos anteriores.

A inovação central deste trabalho reside em como o sistema decide em quais experiências passadas confiar ao aprender sobre uma nova pessoa. Em muitos sistemas existentes, os dados de diferentes pessoas são simplesmente fundidos ou cada pessoa recebe um voto igual no processo de aprendizado. Os pesquisadores descobriram que essa abordagem frequentemente leva à confusão, pois os padrões cerebrais de algumas pessoas são muito mais semelhantes aos do novo usuário do que outros. Para corrigir isso, a equipe projetou um mecanismo de ponderação condicional. Imagine o sistema como um estudante tentando aprender uma nova matéria; ele ouve muitos professores, mas aprende rapidamente a prestar mais atenção aos professores cujo estilo de ensino e exemplos mais se aproximam de suas próprias necessidades de aprendizagem, enquanto ignora aqueles cujos métodos são muito diferentes. Da mesma forma, esta nova rede calcula o quão semelhante cada pessoa de origem é para a pessoa alvo para cada categoria específica de emoção. Ela então atribui um "peso" a cada origem, dando mais influência às fontes altamente semelhantes e menos às dissimilar. Esse ajuste dinâmico acontece continuamente, garantindo que o sistema aprenda com os exemplos mais relevantes e ignore o ruído daqueles que o fariam tropeçar.

Antes que o sistema tente se adaptar a uma nova pessoa, ele passa por uma fase de treinamento rigorosa onde aprende a organizar as emoções claramente. Os pesquisadores introduziram uma restrição específica durante esta fase para garantir que exemplos da mesma emoção, como a felicidade, se agrupem firmemente na memória do computador, enquanto diferentes emoções, como a tristeza, sejam empurradas para longe. Isso cria um mapa limpo e distinto de estados emocionais. Uma vez estabelecida essa base, o sistema passa para a fase de adaptação, onde aplica a ponderação condicional para alinhar os sinais cerebrais da nova pessoa com o mapa aprendido. Ao combinar essa organização cuidadosa com a ponderação inteligente de fontes, o sistema pode navegar pelas complexas diferenças entre cérebros individuais sem perder a informação emocional essencial.

Os resultados desta abordagem foram testados em dois conjuntos de dados públicos bem conhecidos contendo registros cerebrais de quinze pessoas diferentes, cada uma assistindo a clipes de filmes projetados para evocar emoções específicas. No primeiro conjunto de dados, que focava em três emoções básicas, o novo método alcançou uma precisão média de 94,32 por cento. No segundo conjunto de dados, mais desafiador e envolvendo quatro emoções distintas, atingiu 92,58 por cento. Esses números representam uma melhoria significativa em relação aos melhores métodos existentes, que frequentemente lutam para manter níveis tão altos de precisão ao passar de uma pessoa para outra. Os pesquisadores também conduziram experimentos para ver o que aconteceria se removessem partes específicas de seu sistema. Quando removeram a capacidade de ponderar as fontes de forma diferente, a precisão caiu visivelmente, provando que a seleção inteligente de cérebros semelhantes era um fator crítico para o sucesso. Da mesma forma, remover a etapa inicial que organizava as emoções claramente também levou a um declínio no desempenho, confirmando que tanto a organização estrutural quanto a ponderação adaptativa eram necessárias para o funcionamento do sistema.

Além dos números brutos, o estudo oferece um olhar mais profundo sobre como o sistema processa informações. Visualizações dos dados mostraram que o sistema separou com sucesso os padrões emocionais compartilhados das diferenças individuais. A parte da rede projetada para encontrar um terreno comum capturou os aspectos universais de sentir uma emoção, enquanto os ramos separados para cada pessoa preservaram suas assinaturas neurais únicas. Essa separação permitiu que o sistema fosse flexível o suficiente para lidar com a vasta diversidade dos cérebios humanos, permanecendo preciso o suficiente para identificar sentimentos específicos. Os pesquisadores também exploraram como o sistema performava com diferentes quantidades de dados, descobrindo que poderia alcançar alta precisão mesmo sendo fornecido apenas um pequeno número de exemplos rotulados da nova pessoa para guiar o processo. Isso sugere que o método é eficiente e prático, exigindo menos rotulagem manual do que muitas outras abordagens, o que é um passo crucial para a aplicação no mundo real.

As implicações deste trabalho estendem-se além do laboratório. Ao demonstrar que é possível construir um sistema que respeita as diferenças individuais enquanto ainda aprende com um grupo, os pesquisadores forneceram um novo modelo para interfaces cérebro-computador. Esta abordagem pode levar a dispositivos que se adaptam ao cérebro de um usuário ao longo do tempo sem a necessidade de retreinamento extensivo, tornando a tecnologia de reconhecimento emocional mais confiável para o monitoramento da saúde mental ou para a criação de sistemas interativos responsivos. O estudo não afirma ter resolvido todos os problemas no campo, visto que as diferenças individuais e a complexidade da emoção humana permanecem desafios vastos. No entanto, ao mostrar que uma abordagem condicional e ponderada supera os métodos tradicionais de fusão de dados, a pesquisa oferece um caminho claro a seguir. Ela sugere que a chave para desbloquear o potencial da tecnologia EEG não reside em forçar a uniformidade, mas em construir sistemas inteligentes o suficiente para navegar pela bela e complexa diversidade da mente humana.

Resumo Técnico: CWMAN-EEG

Declaração do Problema

O reconhecimento de emoções baseado em eletroencefalografia (EEG) enfrenta desafios significativos devido à natureza não estacionária dos sinais de EEG e à substancial variabilidade individual entre os sujeitos. Esses fatores levam a deslocamentos de distribuição óbvios entre diferentes sujeitos, enfraquecendo a capacidade de generalização cross-subject dos modelos. Embora métodos de adaptação de domínio tenham sido introduzidos para mitigar esses deslocamentos, as abordagens existentes frequentemente sofrem de duas limitações principais:

Agregação de Fonte Única: Muitos métodos fundem múltiplos sujeitos rotulados em um domínio de origem unificado, o que mascara a heterogeneidade inerente entre os sujeitos e pode introduzir interferência incompatível.
Pesos de Transferência Uniformes: Os métodos de adaptação de domínio de múltiplas fontes (MSDA) existentes tipicamente atribuem contribuições de transferência iguais a diferentes domínios de origem ou dependem da similaridade de distribuição global. Eles frequentemente negligenciam os graus variáveis de alinhamento entre domínios de origem específicos e o domínio alvo através de diferentes categorias de emoção (ou seja, discrepâncias de distribuição condicionais à classe).

Consequentemente, há a necessidade de um método que possa simultaneamente modelar representações emocionais compartilhadas entre sujeitos enquanto preserva as diferenças individuais, e ponderar adaptativamente os domínios de origem com base em sua relevância específica para o domínio alvo para cada categoria de emoção.

Metodologia: CWMAN-EEG

O artigo propõe o CWMAN-EEG (Conditionally Weighted Multi-source Adversarial Network), um framework projetado para o reconhecimento de emoção por EEG cross-subject. A arquitetura consiste em um extrator de características compartilhado e extratores de características específicos de domínio, operando através de duas fases principais:

1. Aprendizado de Representação de Características Compartilhadas-Específicas

Extrator de Características Compartilhadas: Utiliza uma Rede Convolucional de Grafo Dinâmica (DGCNN) para capturar representações emocionais comuns entre os sujeitos. Ele trata as conexões de canais de EEG como parâmetros aprendíveis para atualizar a matriz de adjacência, seguido por camadas de convolução 1×1 para capturar interações entre bandas de frequência.
Extratores de Características Específicos de Domínio: Para cada domínio de origem $k$ , um extrator independente $G_k$ é projetado para capturar informações estruturais individualizadas. Esses extratores empregam uma estrutura combinando camadas totalmente conectadas e módulos de atenção Squeeze-and-Excitation (SE) para ajustar adaptativamente a importância dos canais, permitindo que o modelo re-represente as características compartilhadas com base em distribuições específicas de domínios de origem.

2. Fase de Pré-treinamento

Antes da adaptação de domínio, o modelo passa por uma fase de pré-treinamento supervisionado usando dados de origem rotulados para estabelecer um espaço de características robusto:

Perda de Restrição de Estrutura de Categoria ( $L_{csc}$ ): Uma perda de centro de triplet é introduzida para aumentar explicitamente a compacidade intra-classe e a separabilidade inter-classe. Ela restringe a distância entre as características das amostras e seus centros de classe verdadeiros, enquanto as afasta dos centros de classes negativas.
Perda de Classificação ( $L_{cls}$ ): Uma perda de entropia cruzada padrão é aplicada a cada ramo de domínio de origem para supervisionar a discriminabilidade emocional.

3. Fase de Adaptação de Domínio com Ponderação Condicional

Esta fase alinha os domínios de origem e alvo usando um Mecanismo de Ponderação Condicional:

Estimativa de Peso: O método calcula a diferença de distribuição condicional ( $\delta_k$ ) entre cada domínio de origem e o domínio alvo com base nos centros de classe. Uma normalização baseada em softmax converte essas diferenças em pesos dinâmicos ( $w_k$ ). Diferenças de distribuição menores resultam em pesos mais altos, indicando maior valor de transferência.
Alinhamento Ponderado: Esses pesos são integrados em quatro funções de perda fundamentais para fortalecer a transferência positiva de fontes relevantes e suprimir a interferência de fontes irrelevantes:
1. Perda Adversária Global Condicionalmente Ponderada: Utiliza um discriminador de domínio com uma estratégia de reversão de rótulo para alinhar as distribuições globais.
2. Perda MK-MMD Condicionalmente Ponderada: Restringe explicitamente as diferenças de distribuição estatística usando Multi-Kernel Maximum Mean Discrepancy.
3. Perda de Alinhamento Semântico Condicionalmente Ponderada: Alinha as características de origem e alvo ao nível do centro de categoria para mitigar a ambiguidade de classe.
4. Perda de Classificação Condicionalmente Ponderada: Utiliza tanto os rótulos de origem quanto um pequeno número de amostras rotuladas do alvo para supervisionar as fronteiras de classificação.

A função objetivo final ( $L_{DA}$ ) combina esses componentes hierarquicamente para reduzir as diferenças globais, estatísticas e semânticas, mantendo a discriminatividade.

Principais Contribuições

Framework Inovador: Propõe o CWMAN-EEG, que aborda os deslocamentos de distribuição e a transferência negativa através de uma perspectiva de modelagem de múltiplas fontes, tratando cada sujeito como um domínio de origem independente.
Restrição de Estrutura de Categoria: Introduz uma perda de restrição de estrutura de categoria durante o pré-treinamento para aumentar explicitamente a compacidade intra-classe e a separabilidade inter-classe, fornecendo uma base estável para o alinhamento cross-domain.
Mecanismo de Ponderação Condicional: Desenvolve um mecanismo para estimar adaptativamente as contribuições dos domínios de origem com base nas diferenças de distribuição condicionais à classe. Isso integra pesos nas perdas adversária, MK-MMD, semântica e de classificação para aumentar a transferência efetiva e suprimir a interferência.
Desempenho Robusto: Demonstra vantagens significativas sobre métodos de estado da arte em datasets públicos (SEED e SEED-IV), alcançando alta precisão com amostras rotuladas limitadas do alvo.

Resultados Experimentais

Experimentos foram conduzidos nos datasets SEED (3 categorias de emoção) e SEED-IV (4 categorias de emoção) utilizando uma estratégia Leave-One-Subject-Out (LOSO).

Dataset SEED: O CWMAN-EEG alcançou uma precisão média de 94,32% (±4,62%).
Dataset SEED-IV: O método alcançou uma precisão média de 92,58% (±5,48%).
Estudos de Ablação: A remoção do mecanismo de ponderação condicional causou a queda de desempenho mais significativa (para 87,89% no SEED), confirmando que contribuições de transferência desiguais entre sujeitos de origem são um fator crítico. A remoção das restrições de estrutura de categoria também levou a declínios notáveis, validando a importância da estrutura do espaço de características no pré-treinamento.
Comparação: O método proposto superou várias baselines de adaptação de domínio de fonte única e múltipla, particularmente na tarefa de quatro classes mais complexa do SEED-IV.

Significância e Alegações

O artigo afirma que o CWMAN-EEG oferece uma melhoria significativa no reconhecimento de emoção por EEG cross-subject ao modelar efetivamente a heterogeneidade de múltiplos domínios de origem. Ao ir além da simples fusão de dados ou ponderação uniforme, o método aproveita adaptativamente informações complementares de sujeitos de origem altamente relevantes, mitigando a transferência negativa causada por outros menos relevantes.

Os autores enfatizam que o método alcança um desempenho robusto mesmo com um pequeno número de amostras rotuladas do alvo (ex: 10% dos dados do alvo), tornando o custo de rotulagem aceitável para aplicações do mundo real. Os resultados sugerem que a combinação de aprendizado de características compartilhadas-específicas, restrições de estrutura de categoria e ponderação condicional fornece uma abordagem estável e eficaz para lidar com a não-estacionariedade e a variabilidade individual inerentes aos sinais de EEG.