通过半监督多源联合分布适应实现基于 EEG 的跨被试情绪识别

基于摘要分析。该研究针对 EEG 被试间差异导致情绪识别系统难以泛化至新用户的问题，提出半监督域适应（SSDA）框架，利用多个源被试的数据与少量目标被试标注，对齐被试间的联合分布，以改善跨被试情绪识别。 核心机制是同时处理特征与预测的对齐：在被试层面进行多源特征对齐，在全局特征空间中对齐预测，并在目标被试上维持类别间分离和预测一致性，以支持细粒度结构的联合分布对齐。相较于仅使用未标注目标数据的域适应设定，该研究明确引入少量目标标注；其结果应理解为半监督跨被试适应，而非完全无目标标注的泛化表现。具体模型结构、损失形式及各约束的实现尚未验证。 作者在 SEED 和 SEED-IV 两个公开数据集上评估两种目标标注采样策略。作者报告：每类使用三个目标标注样本时，平均 Accuracy 在 SEED 上为 93.55%，在 SEED-IV 上为 87.96%；每类从首个 EEG trial 中纳入十个标注样本时，对应平均 Accuracy 为 91.79% 和 85.45%。两组数字对应不同采样协议，不能仅依据样本数量解释性能差异，也不能直接等同于在线部署效果。 复现时需核对目标样本的定义与采样位置、源与目标被试划分、目标标注与测试数据的划分、特征处理方式、对照基线及平均 Accuracy 的汇总方式。实验协议、消融及统计信息尚未验证；摘要结果尚不足以确定多源特征对齐、预测对齐及目标约束各自的独立贡献。