# PL-DCP: A Pairwise Learning framework with Domain and Class Prototypes for EEG emotion recognition under unseen target conditions

### 저자

Guangli Li, Canbiao Wu, Zhehao Zhou, Tuo Sun, Ping Tan, Li Zhang, Zhen Liang

### 개요

본 논문은 뇌파(EEG) 기반 정서 뇌-컴퓨터 인터페이스(aBCI)에서의 정서 인식을 위한 새로운 틀인 PL-DCP(Pairwise Learning framework with Domain and Category Prototypes)를 제안한다.  기존의 심층 전이 학습 기반 정서 인식 방법들이 소스 도메인과 타겟 도메인에 대한 이중 의존성 및 라벨 노이즈에 취약하다는 점을 해결하기 위해, PL-DCP는 특징 분리(feature disentanglement)와 원형 추론(prototype inference) 개념을 통합한다. 특징 분리 모듈은 도메인 특징과 클래스 특징을 추출 및 분리하여 이중 원형 표현(도메인 원형과 클래스 원형)을 계산한다.  도메인 원형은 개인 간 변화를, 클래스 원형은 정서 범주 간 공통성을 포착한다.  쌍방향 학습 전략은 잘못된 라벨로 인한 노이즈 효과를 줄인다. SEED, SEED-IV, SEED-V 데이터셋에 대한 실험 결과, PL-DCP는 각각 82.88%, 65.15%, 61.29%의 정확도를 달성하여 기존 최첨단(SOTA) 방법들보다 우수한 성능을 보였다. 특히, 학습 과정에서 타겟 도메인 데이터를 전혀 사용하지 않으면서도 소스 및 타겟 데이터를 모두 필요로 하는 심층 전이 학습 방법보다 더 나은 성능을 보였다.

### 시사점, 한계점

- **시사점:**

    - 소스 도메인과 타겟 도메인에 대한 이중 의존성 및 라벨 노이즈 문제를 효과적으로 해결하는 새로운 정서 인식 틀(PL-DCP)을 제시.

    - 특징 분리와 원형 추론을 통해 개인 간 변화와 정서 범주 간 공통성을 효과적으로 모델링.

    - 학습 과정에서 타겟 도메인 데이터를 사용하지 않고도 우수한 성능을 달성, 실제 응용 가능성 증대.

    - 공개된 소스 코드 제공으로 재현성 및 확장성 확보.

- **한계점:**

    - SEED, SEED-IV, SEED-V 데이터셋에 대한 실험 결과만 제시되어, 다른 데이터셋으로의 일반화 성능 검증 필요.

    - 특정 유형의 EEG 데이터에 대한 성능에 치우쳐, 다양한 EEG 데이터 유형에 대한 추가적인 실험 필요.

    - 알고리즘의 복잡성 및 계산 비용에 대한 분석 부족.

[PDF 보기](https://arxiv.org/pdf/2412.00082)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).