警觉度状态对于人机交互系统中用户的任务表现至关重要。目前，大多数警觉度估计方法依赖于大量的标签数据来训练针对特定用户的满意模型，这限制了这些方法的实际应用。本研究旨在利用少量无标签校准数据构建一种可靠的警觉度估计方法。在设计的基于脑-机接口（BCI）的脑控光标任务中进行了警觉度实验，记录了18名受试者在两次实验（session）中的脑电（EEG）信号。基于此，提出了一种基于对比学习的细粒度领域自适应网络（CFGDAN）用于警觉度估计。其中，构建了一个自适应图卷积网络（GCN），将不同域的脑电数据映射到一个共同的空间。设计了细粒度特征对齐机制，以在脑电通道级别自适应地进行域分布对齐，并且开发了对比信息保留模块，以在域对齐过程中保留关键的目标域特有信息。实验结果表明，提出的CFGDAN模型在自采警觉度数据集和SEED-VIG公开数据集中的表现均优于对比方法，证明了所提方法在警觉度估计方面的有效性。本研究有助于减少警觉度估计的校准工作量，提高警觉度估计方法的实用性。

文章地址：https://www.sciencedirect.com/science/article/pii/S0893608024005410