代理标签下跨数据集 EEG 状态分类的多源域泛化与少样本校准

基于摘要分析。该研究关注弱代理标签下的跨数据集 EEG 状态分类，贡献主要是八数据集对齐与评估流程，以及对标签可学习性和分类退化的诊断，而非提出已验证有效的新迁移算法。 作者将八个异构 EEG 数据集统一到14通道 EPOC+ 电极布局，提取63维频谱特征；共包含712,832个窗口，其中697,906个具有有效标签，并从 MAHNOB-HCI 的 session.xml 恢复真实的1–9级唤醒度自评。实验以七个源域训练 Random Forest，在留出的目标数据集上评估零样本与使用20%参与者进行少样本校准的表现；校准参与者和测试参与者的具体隔离方式尚未验证。 作者报告，在八个目标数据集、20个随机种子及每个目标8,000个窗口的评估设置下，零样本平均 Accuracy 为36.85%（95% CI：34.40–39.30），校准后为43.76%（41.77–45.75）。但零样本 Balanced Accuracy 仅为33.01–35.62%，Cohen’s κ ≤ 0.068；逐类召回率显示，除 DEAP 外，其余目标均退化为预测单一多数类。平均增加6.91个百分点几乎完全由 ds006437 驱动，其 Accuracy 从6.31%升至60.60%；经 Holm–Bonferroni 校正，仅 ds006437 与 ds004572 的变化仍显著，后者仅增加0.39个百分点。 作者报告，数据集内上界实验显示，八套代理标签中仅一套可学习、两套处于边缘水平、五套处于或低于三分类随机水平；退化在 SMOTE、EEGNet-v4 及 CORAL/AdaBN 对照下仍持续。作者据此将瓶颈归于代理标签有效性与特征空间类别重叠，而非分类器容量。该解释仍需结合全文核对：数据集内不可学习也需区分标签有效性、特征表达与实验协议的影响。代理标签构造、窗口划分、数据集内上界的训练测试隔离、消融及统计细节尚未验证；作者称流程可复现，但代码与完整复现条件尚未核实。