用于 EEG 情绪识别的多视图自监督域适应

基于摘要分析。研究针对 EEG 情绪识别中高质量标注不足、个体差异和信号不稳定的问题，提出多视图自监督域适应模型，将自监督学习与域适应迁移学习结合，以改善有限标注条件下的识别与跨被试适应能力。 核心机制是引入多类别域判别器，在子网络之间构建对抗关系，以减小不同被试的数据分布差异。摘要以原始自监督掩码自编码器模型作为对照，但未明确多视图的构造方式、各子网络的功能、自监督目标、对抗损失形式以及训练与推理流程，相关细节尚未验证。 作者在 SEED 和 SEED-IV 上开展被试依赖与被试独立实验。作者报告，被试依赖实验的 Accuracy 分别为 85.91% 和 87.19%，相较原始自监督掩码自编码器约提高 3%；摘要未明确该提升是相对百分比还是百分点。作者报告，被试独立实验在仅使用 90 个样本的条件下，两个数据集的 Accuracy 分别为 69.72% 和 62.87%。这 90 个样本的标签状态、来源、按被试分配方式及训练或适应用途尚未明确，因此不能据此推定具体少样本协议，也不能将两类实验的成绩直接比较。 作者还报告模型能够从受损 EEG 数据中提取有意义的特征，但摘要未提供损坏类型、强度或量化鲁棒性指标。复现时需核对数据划分、预处理、目标被试数据与标签的使用范围，以及多视图和域判别器各自的贡献。实验协议、消融及统计信息尚未验证；现有摘要支持将其作为 EEG 情绪识别方法进一步考察，但不足以确认其在其他 BCI 任务上的泛化效果。