近日，我校人工智能学院脑机接口与混合智能团队2021级研究生蔡洪华以第一作者在情感计算领域的权威期刊IEEE Transactions on Affective Computing (JCR Q1, 中科院二区, IF: 11.2 )上发表了题为“Decoding Musical Neural Activity in Patients with Disorders of Consciousness through Self-Supervised Contrastive Domain Generalization”的研究论文。潘家辉教授为论文通讯作者，华南师范大学为第一完成单位。近年来，学院强化高质量成果导向，不断提升学生科技创新能力培养，仅2024年上半年，学院研究生在国内外权威刊物上已发表高水平研究论文20余篇，为学院和学科高质量发展作出积极贡献。据悉，此次蔡洪华同学的研究成果，不仅为意识障碍患者的诊断提供了新的技术手段，也为情感计算领域的发展贡献了重要的研究成果，其研究进展有望在未来的意识障碍诊断的研究中发挥更大的作用。

研究背景

意识障碍患者（DOC）的意识状态诊断对于临床诊断至关重要。然而，由于DOC患者的认知和运动能力受限，他们在认知任务中难以准确表达对不同刺激的反应，这给EEG数据的准确标记带来了挑战。为了解决这一问题，研究团队提出了一种自监督对比域泛化方法，旨在无数据标记的情况下识别17位DOC患者对不同刺激的大脑反应。

研究方法

本研究提出了一种名为SSCDG的模型，该模型包含三个核心部分：基于CNN和互联时空注意力机制的编码器、自监督对比域泛化策略以及MLP分类器。

1. 编码器：编码器通过残差-注意力机制模块对EEG数据进行深度特征提取，同时保留时域和空间域的内在联系特征。
2. 自监督对比域泛化：该策略包含两步训练过程。首先，利用SIMCLR进行对比学习训练，通过不同尺度的原型聚类创建数据的不同视图，并定期更新匹配对。其次，通过增加距离约束来实现领域泛化。
3. MLP分类器：该分类器包含两个隐藏层，每层30个单元，使用ReLU激活函数和SGD优化器进行训练。

结果分析

SSCDG在SEED数据集上达到了87.9±4.3%的准确率，消融实验证实了残差结构、互联时空注意力机制和匹配更新对模型性能的显著提升。在自采数据集上，SSCDG在健康被试组中取得了78.9±9.6%的准确率，优于其他模型。此外，SSCDG在11位UWS患者和6位MCS的数据组中也显示出了较高的识别准确率，表明其在实际应用中的有效性。

总结

SSCDG模型的成功应用不仅为意识障碍患者的诊断提供了新的技术手段，也为情感计算领域的发展贡献了重要的研究成果。这一研究进展有望在未来的意识障碍诊断的研究中发挥更大的作用。

论文链接：

https://ieeexplore.ieee.org/document/10681490