NeuroContext-TTA：用于跨被试 EEG 情绪识别的源域锚定上下文校准

基于摘要分析。该研究针对跨被试 EEG 情绪识别中无目标被试标签、近期观测相关且类别覆盖可能不完整的问题，提出仅前向计算的测试时自适应框架 NeuroContext-TTA，将源域类别结构与目标上下文分离，利用无标签上下文进行校准而不在线更新模型参数。 核心机制是由目标上下文生成一个共享偏移，并用它平移全部源域类别原型，从而保留每个类别的参照，不依赖为目标样本分配伪标签来建立类别记忆。检索同时结合 EEG 嵌入空间与编码后的对数协方差空间中的相似度，再由查询级可靠性门控控制残差式特征校正与 logit 校正。校准模块在源域被试上训练，部署时冻结；随测试数据变化的仅为上下文统计量和平移后的参照。 作者报告，在跨被试 EEG 情绪识别任务中，对 mdJPT 特征进行校准后，SEED、SEED-IV、FACED-3 和 FACED-9 上的 macro-F1 分别提高 1.35、0.54、5.09 和 0.52 个百分点；摘要未给出绝对分数与具体对照配置。作者还报告，使用五种 EEG 骨干进行评估时，20 个骨干—任务组合中有 19 个获得 Accuracy 提升，但未提供各组合的增益幅度。 该方法的明确特点是不让目标类别参照直接依赖可能偏置的伪标签历史，而将适应限制为共享上下文校准。其适用边界需核对：共享偏移能否覆盖不同情绪类别的非一致分布变化，以及可靠性门控能否抑制短时相关或类别单一上下文造成的误校准。被试划分、测试流顺序、上下文窗口、源域原型构建、对照基线、消融及统计信息尚未验证；代码与完整复现条件亦尚未验证。