用于跨域 EEG 情绪识别的自适应域对齐神经网络

基于摘要分析。该研究针对 EEG 情绪识别中的被试内与被试间信号变异，提出 Adaptive Domain Alignment Neural Networks（ADANN），以类别原型建模源域和目标域的条件分布，并通过对比学习完成域对齐，同时以原型相似度直接分类，替代 MLP 分类器。 核心机制：ADANN 为源域和目标域分别设置一组按类别组织的原型，作者将这些原型描述为各类别的密度峰值，并以归一化后的对应相似度表示条件概率。预测标签由相似度的最大值位置确定，因此不需要 MLP 分类器。方法利用 context-instance contrastive learning 对齐两组原型，同时学习对应的条件分布；摘要未提供原型估计与更新方式、相似度定义或具体损失形式。 创新与对照：作者认为，既有迁移学习方法常对齐边缘分布，可能造成类别层面的对齐歧义；参数冗余的 MLP 分类器则可能对有标签数据过拟合，影响表示空间学习。ADANN 的设计分别以类别条件对齐和原型分类回应这些问题，但这两项机制的独立贡献仍需结合正文及消融结果核对。 结果与证据边界：作者报告，在与实际应用场景密切相关的跨域实验协议下，ADANN 相比近期先进方法取得更好或相近的性能。摘要没有提供数据集、被试数量、具体域划分、指标、数值及基线名称，因此尚不能确定其跨域实验对应 Cross-subject、Cross-session 或其他设置，也不能量化改进幅度。 复现时需核对目标域标签是否可用、目标域原型如何初始化与更新，以及类别不平衡或早期预测错误是否影响对齐。这些属于待核对事项，而非已确认缺陷。实验协议、消融及统计信息尚未验证，代码与完整复现条件也尚未验证。