利用内在邻域语义结构实现基于 EEG 的情绪识别域适应

基于摘要分析。该研究针对 EEG 情绪识别中非平稳性与个体差异导致的新被试泛化困难，提出 Neighborhood Semantic Aware Learning-based Dynamic Graph Attention Convolution（NSAL-DGAT），通过域间邻域语义拓扑结构提取目标域语义信息，改善分类器对无标签目标样本的适应。 核心动机是：仅对齐源域与目标域特征的边缘分布，在类别条件分布存在较大差异时，未必能获得具有充分判别能力的域不变特征，甚至可能产生不利影响。NSAL 利用特征对齐后部分目标样本与邻近源样本具有相似语义这一假设，将邻域拓扑中提取的目标语义特征纳入分类器训练。方法还引入熵加权机制，强调具有代表性的目标语义信息，使目标样本优先利用源域邻域中的高置信样本。摘要未给出动态图构建规则、熵的计算对象、具体损失及训练流程，这些实现细节尚未验证。 作者报告，在公开 SEED 数据集及团队采集的 Hearing-Impaired EEG Dataset（HIED）上开展实验，并在被试依赖与被试独立场景中取得其所称的最先进 Accuracy。摘要未提供具体数值、数据划分、目标域适应数据使用方式或对照基线，因此不能量化提升，也不能将不同协议下的结果直接比较；HIED 的被试构成及采集条件尚未验证。 复现时值得核对邻域语义一致性在跨被试条件下是否成立，以及熵加权能否减少错误源邻居的影响。若源邻域本身存在高置信误判，语义传播可能放大偏差，这是待检验风险而非本文已证实的缺陷。需结合全文核对特征对齐、动态图与熵加权各模块的独立贡献，以及实验协议、消融和统计信息。