通过动态对比域适应实现多源 EEG 情绪识别

基于摘要分析。该研究针对个体间及测量会话间 EEG 信号差异导致的情绪识别困难，提出基于差分熵（DE）特征的多源动态对比域适应方法 MS-DCDA，旨在结合多个源域的信息，提高跨被试与跨会话情绪识别的迁移能力。 方法将粗粒度的域间适应与细粒度的类内适应结合：通过多分支对比神经网络和对比子域差异学习建模不同层次的对齐，同时利用各个独立源域及互补源域集成的信息，以动态加权学习平衡域可迁移性与类别判别性。摘要未给出具体损失形式、分支配置、权重更新规则，也未说明目标域标签或伪标签的使用方式，这些实现条件尚未验证。 作者报告，在 SEED 和 SEED-IV 上，跨被试实验的平均 Accuracy 分别为 90.84% 和 78.49%，跨会话实验分别为 95.82% 和 82.25%；作者称这些结果为相应实验中的最高平均 Accuracy。作者还报告，相较若干其他域适应方法，MS-DCDA 在识别 Accuracy、类间间隔和类内紧凑性方面表现更好。摘要未列出具体对照方法、源域与目标域划分、重复次数或结果波动，因此这些数值只能在各自所述协议下理解，不能直接据此比较跨被试与跨会话任务的难度。 作者进一步提出额叶和顶叶对情绪具有更高敏感性，但摘要未提供相关脑区分析方法及统计依据；其对心理健康干预和个性化医疗的意义仍属于潜在应用解释，不构成临床验证。复现时需核对 DE 特征提取与预处理、源域集成方式、动态权重机制、目标域数据使用边界及统一对照设置；实验协议、消融及统计信息尚未验证。