MMDA：用于 EEG 与眼动信号跨被试情绪识别的多模态多源域适应方法

基于摘要分析。该研究针对 EEG 与眼动多模态情绪识别在新被试上泛化受限的问题，提出多模态多源域适应方法 MMDA，通过逐源被试分布对齐、优先处理相关对齐关系及跨模态特征筛选，旨在减少负迁移并改善情绪识别。 方法包含三个核心策略：分别对每个已知被试与目标新被试进行边缘分布和条件分布对齐；优先处理相关的分布对齐，以降低不恰当迁移的影响；从 EEG 中提取更具判别性的特征，并选择跨模态相关特征以改善融合。其研究重点不仅是模态融合，也包括多源被试信息的选择性迁移。摘要未提供具体特征提取结构、对齐目标、优先级计算及特征选择的实现细节，尚不能确定各模块的独立贡献。 作者在 SEED、SEED-GER、SEED-IV 和 SEED-V 四个公开数据集上采用留一被试交叉验证。作者报告，将各被试不同会话的数据合并后，MMDA 在四个数据集上均优于所比较的已有最佳结果；逐会话评估时，在共 11 个会话中的 8 个上超过已有最佳结果。摘要未给出指标名称、具体分数、提升幅度或对照方法，因此这些结论仅能按作者报告理解，不能直接用于跨协议性能比较；会话合并的跨被试评估也不等同于独立的跨会话迁移验证。 复现时需核对目标被试数据的可访问范围及标签使用方式、各模态预处理与特征构建、源被试选择或加权规则，以及会话合并与逐会话实验的具体划分。实验协议细节、消融及统计信息尚未验证，摘要也未提供代码可用性信息。