AdaTF-HyperMIL：用于被试独立 EEG 情绪识别的自适应时频融合与双曲多实例学习
基于摘要分析。该研究针对训练和模型选择均不使用目标被试数据的跨被试 EEG 情绪识别，提出 AdaTF-HyperMIL，将自适应窗口编码、试次级证据选择与跨被试表征学习结合，处理时域与频域贡献变化、同一试次内窗口情绪相关性不均及被试间表征偏移。 机制上，动态时域路由按输入选择不同尺度的贡献，双向跨视图注意力与选择性核门控共同建模时频交互并调整融合权重。可学习查询压缩窗口内 token，基于注意力的多实例学习对窗口加权，使预测与试次级标签监督对应。置信度加权的双曲原型分类与跨被试对比学习进一步将试次加权和跨被试类别组织相连接；具体损失形式、权重设置及双曲空间实现尚未验证。 在嵌套留一被试评估下，作者报告：SEED 三分类 Accuracy 为 95.12%、Macro-F1 为 95.06%；SEED-IV 四分类分别为 82.63% 和 81.59%；DREAMER 唤醒度二分类分别为 82.69% 和 82.16%，效价二分类分别为 81.75% 和 81.68%。这些数值对应各自的数据集与任务，不宜跨任务直接比较。作者报告消融支持各设计阶段的贡献，但相对 MILFNet 的配对增益经 Holm 校正后不显著，因此这些结果不足以支持稳定优于该基线的结论。 复现需核对嵌套评估中的训练与模型选择边界、预处理与窗口划分、试次标签使用方式、基线配置及统计检验细节。被试数量、具体数据划分、消融幅度、代码与运行条件尚未验证；摘要不能替代对完整实验协议和统计信息的核查。
阅读价值：值得核对其将自适应时频融合、试次级多实例学习与跨被试类别组织连接起来的机制及嵌套留一被试评估，但摘要明确指出相对 MILFNet 的配对增益经 Holm 校正后不显著，不能据此认定稳定优于该基线。