MSS-JDA：面向跨被试 EEG 情绪识别的多源自选择联合域适应方法

基于摘要分析。本文针对跨被试 EEG 情绪识别中的个体差异，以及多源域适应随源域数量增加而产生的计算开销和域偏移问题，提出 MSS-JDA，通过共享特征提取与训练早期的源域分支自选择，保留更接近目标域的分支参与后续训练和预测。 核心机制是先以共享特征提取器获取多个源域的共同低层特征，再通过一对一关联联合适应提取域特异性特征。训练早期的分支选择由先验知识引导，剪除与目标域偏离较大的源域分支，仅保留一定数量的近邻分支。各保留分支的域特异性特征进入各自分类器，最终对 N 个预测取平均。摘要未说明先验知识的具体内容、域接近程度的度量、保留分支数量的确定方式或联合适应损失的形式，这些实现细节尚未验证。 在摘要所述跨被试 EEG 情绪识别实验中，作者报告在 SEED 上的 Accuracy 为 93.78%、标准差为 3.39，在 SEED-IV 上的 Accuracy 为 78.93%、标准差为 7.39，并称优于多数已有模型。摘要未明确标准差单位、统计粒度、具体被试划分、目标域标签是否可用及对照基线配置，因此不能据此进行严格的跨方法比较。 复现重点是核对分支筛选是否真正降低训练和推理耗时，以及相较于保留全部源域分支时，性能与计算成本如何变化；还需确认目标域信息使用协议和筛选稳定性。实验协议、消融及统计信息尚未验证，摘要中的准确率结果也不能单独证明实际应用中的效率收益。