TRACE：学习空间–频谱关系适应以实现跨数据集 EEG 情绪识别

基于摘要分析。该研究针对跨数据集 EEG 情绪识别中空间–频谱关系难以迁移的问题，提出 TRACE（Target-conditioned Relation Adaptation for Cross-dataset EEG），从有标签源域学习关系调整规则，再依据无标签目标试次的聚合表示生成目标特异性调整，而非强制不同域共享固定关系结构。 核心机制：TRACE 用共享关系类型表示通道–频带交互，并通过目标域表示调整这些关系的相对权重。训练时，源域关系调整以其能否降低独立源域试次上的分类损失作为验证依据；目标调整系数则被约束在源域预测所定义的源域支持区域内。模型将关系调整前后图表示的差异投影为残差，用于修正直接从输入特征学习得到的基础 EEG 表示，最终完成情绪分类。具体关系类型、域表示聚合方式、约束形式及训练流程尚未验证。 创新与证据：作者强调，即使空间关系组具有预测价值，其中不同频率对应的关系也可能产生不同作用，且有效调整随目标域变化。作者报告，在四个公开 EEG 情绪数据集之间的八个迁移方向上，TRACE 的 Accuracy 均高于所比较的方法；摘要未给出数据集名称、具体 Accuracy、基线名单、数据划分或不确定性，不能据此量化收益或判断统计显著性。作者报告，目标替换实验中，为当前目标推断的调整优于从其他目标迁入的调整，并报告模型对电极掩码与特征噪声具有鲁棒性；扰动强度和结果幅度尚未验证。 复现核对重点：需确认源域训练试次与验证调整所用试次的划分、目标无标签试次的可用范围、不同数据集通道与频带的对齐方式，以及源域支持约束和残差修正各自的贡献。实验协议、消融及统计信息尚未验证，代码与运行条件亦无法由摘要确认。该工作直接研究 EEG 情绪识别，其结果不能直接外推到其他 BCI 任务。