面向跨被试与跨会话 EEG 情绪识别的语义增强原型图深度标签传播

基于摘要分析。研究针对 EEG 情绪识别中由信号非平稳性、个体差异及语义不足引起的跨被试与跨会话泛化问题，提出无监督域适应框架 Prototypical Graph-based Deep Label Propagation with Semantic Augmentation（PGDLP），将原型语义增强、原型图深度标签传播及原型对齐整合到端到端优化系统中。 机制上，PGDLP 利用源域特征的类别统计构建各类别的多元正态分布，对目标域特征进行语义增强；基于原型语义距离构建自适应相似图，以改善伪标签质量并降低计算复杂度，同时结合线性投影和指数移动平均（EMA）进行动态细化。框架还引入带自适应平衡因子的域内与域间双重对齐损失，促进类内紧凑性和跨域可迁移性。摘要未提供具体损失公式、图构建细节及目标域数据的使用方式。 作者报告，在 SEED、SEED-IV 和 DEAP 三个数据集上，评估覆盖跨被试跨会话、跨被试单会话、被试内跨会话及跨数据库四类协议，PGDLP 在多数协议中的识别 Accuracy 和泛化表现优于多数先进对照方法。作者另报告其对标签噪声具有鲁棒性、超参数表现稳定且收敛较快；摘要未给出各数据集与协议的对应结果、具体数值、对照方法或统计不确定性，因此不能据此量化提升或判断所有协议均占优。 复现时需核对源域与目标域的划分、无监督设定下目标标签的隔离方式、跨数据库情绪类别与输入特征的对应关系，以及语义增强、标签传播和对齐模块各自的贡献。实验协议、消融及统计信息尚未验证；代码、预处理流程和超参数细节也需取得全文后确认。该研究直接面向 EEG 情绪识别域适应，摘要中的结论不应扩展为其他 BCI 任务已获得同等收益。