用于跨被试 EEG 情绪识别的半监督双流自注意力对抗图对比学习

基于摘要分析。本文针对标注数据稀缺条件下的跨被试 EEG 情绪识别，提出半监督双流自注意力对抗图对比学习框架 DS-AGC，联合提取非结构与结构 EEG 特征，并通过自注意力融合进行样本选择和情绪识别。 机制方面，非结构流采用半监督多域适应，旨在减小有标签源域、无标签源域与未知目标域之间的分布差异；结构流采用半监督图对比学习，从多个 EEG 通道提取图表征。自注意力融合模块强调与情绪更相关的 EEG 特征，以及有标签源域中更接近目标域的样本。其方法组合同时面向跨被试分布差异、通道结构表征和有限标签利用；对抗训练的具体实现、图构建方式、对比样本定义及损失形式均无法由摘要确认。 作者报告，在 SEED 和 SEED-IV 上采用半监督跨被试留一被试交叉验证，在不同标签不完整条件下优于现有方法，平均提升分别为 5.83% 和 6.99%。摘要未明确提升对应的评价指标、相对百分比或百分点，也未列出具体对照方法与标签比例，因此不能将这些数值直接解释为 Accuracy 增加的百分点，或与其他协议的结果直接比较。 复现时需核对各域的数据划分、目标被试数据是否及如何参与训练、标签抽取规则、EEG 预处理与通道图构建，以及双流、域适应和自注意力样本选择的独立贡献。被试数量、会话组织、实验协议细节、消融及统计信息尚未验证。摘要支持其作为跨被试 EEG 情绪识别方法的研究价值，但不支持进一步断言其对其他 BCI 任务同样有效。