本文的第一作者为博士生李劲鹏，题目为“Multisource Transfer Learning for Cross- Subject EEG Emotion Recognition”。以下为文章摘要：

EEG具有高时间分辨率和高可靠性，所以近年来已经被广泛应用在情绪脑-机接口（affective Brain-Computer Interface，aBCI）研究中。然而，不同被试者之间的EEG数据差异大，导致难以获得可以跨被试使用的通用模型。所以，传统做法需要做预实验，即针对新的aBCI被试者采集带标签的数据以训练模型。在一些应用中，我们希望尽快获得情绪识别模型，压缩预训练时间，降低模型训练对带标签样本的依赖程度。为达到这个目标，本文提出了一个多源迁移学习（Multisource Transfer Learning）框架，每个过往被试者的EEG数据称为一个“知识源（source）”，新的被试者的EEG则称为“知识目标（target）”。我们将知识目标中的EEG分为两部分，第一部分是标定数据，第二部分是测试数据。方法的第一步是使用标定数据快速筛选合适的知识源（避免负迁移）；第二步是学习风格迁移映射函数，旨在消减知识目标和每个知识源之间的数据差异，以达到共享分类器的目的。我们使用少量的标定数据进行知识源筛选和风格迁移映射学习。最终，我们集成多个知识源的情绪分类器，对知识目标的测试数据进行情绪识别。结果表明，相较于基准方法，我们的方法在情绪识别公开数据库SEED上将情绪三分类（正面、中性、负面）正确率提高了12.72%。该方法有效降低为新被试者构建模型时对带标签样本的需求，在aBCI快速部署场景上具备重要的实际意义。