用于 EEG 情绪识别的带在线更新机制的判别性联合知识迁移

基于摘要分析。本文研究 EEG 跨被试情绪识别中的域适应问题，提出 discriminative joint knowledge transfer（DJKT），利用少量有标签的目标域样本建模情绪状态的判别信息，并通过在线更新适应 EEG 的时变特征。 方法动机是：现有部分域适应算法更重视可迁移性，而对判别性的关注不足，且通常依赖伪标签进行迭代优化。DJKT 利用目标域标签计算被试内与跨被试的情绪判别信息，使知识迁移同时考虑不同情绪状态的区分能力。摘要未给出具体目标函数、判别信息的数学定义或优化步骤，因此尚不能确认其与伪标签迭代方法的具体计算差异。 在线机制方面，作者扩展 passive-aggressive（PA）算法，使情绪识别模型能够在线适应时变 EEG。摘要未说明更新时是否需要即时标签、更新触发条件及样本到达顺序，这些条件关系到实际使用中的标注成本和在线适应能力，需查阅全文核对。 作者报告，在 SEED 和 SEED-IV 上，DJKT 在单源到单目标（STS）及多源到单目标（MTS）的跨被试迁移场景中，相较若干被作者称为 state-of-the-art 的方法取得更好的情绪识别表现；作者还报告，纳入判别信息可改善迁移性能，在线调整可提高模型的稳健性和稳定性。摘要未提供具体指标、数值、基线名称、目标域标签数量或统计检验结果，不能据此量化收益。 复现时应重点核对目标域标注预算、源域选择、训练与测试划分，以及在线更新阶段的标签可用性和评估顺序；还需核对判别信息与在线机制各自贡献的消融证据。实验协议、消融及统计信息尚未验证，摘要结论也不应直接等同于真实部署中的有效性。