GCD-JFSE：用于 EEG 情绪识别的基于图的类别–域知识联合特征选择与集成学习

基于摘要分析。该研究针对 EEG 情绪识别中特征选择难以适应个体差异与信号非平稳性的问题，提出 GCD-JFSE，将类别与域知识联合用于特征选择，并结合集成学习，面向跨被试和跨会话识别。 方法首先构建无向、全连接加权图，以描述特征之间的关系；随后引入域散度、域相关性和域标准差等指标指导特征选择，最后通过软投票集成提升识别性能。其主要方法特点是把域信息纳入特征筛选，而不只依赖被试内数据上的判别能力。摘要未说明图的边权定义、类别知识的具体编码方式、各域指标的组合规则，以及软投票所用分类器与权重设置，这些实现细节尚未验证。 作者报告，在跨被试场景下，SEED、SEED_IV 的 Accuracy 分别为 78.67%、58.98%，DREAMER 的 valence 与 arousal 任务 Accuracy 分别为 61.11%、72.46%；在跨会话场景下，SEED、SEED_IV 的 Accuracy 分别为 87.11%、60.74%。上述结果对应不同数据集、任务与评估场景，不能直接混同比较。作者称该方法优于现有最先进方法，但摘要未提供具体对照、差异幅度及统计证据，因此这一比较结论尚待核对。 复现时需核对 EEG 特征提取、被试与会话划分、特征选择所用域数据范围，以及集成分类器配置，并关注类别知识、域指标与软投票各自的贡献。实验协议、消融及统计信息尚未验证；摘要结果支持进一步考察跨域特征选择，但不能据此确认真实场景部署效果。