用于 EEG 情绪识别的结合最大子域差异的辅助分类器对抗网络

基于摘要分析。该研究针对 EEG 情绪识别中跨会话、跨被试的无监督域适应问题，提出辅助分类器对抗网络 ACAN，旨在同时处理个体与会话差异造成的域偏移，以及任务相关子域之间的差异。 方法包含两项相互配合的机制：在特征空间设置域对齐模块，以减小域间及子域间差异；引入辅助对抗分类器，通过其与特征提取器之间的对抗学习，最大化子域差异，以获得更具可区分性的子域特征。其核心思路是兼顾跨域对齐与子域判别性，而不只进行全局分布对齐。不过，摘要未明确子域的定义、两类差异目标分别作用的对象，以及具体损失与优化流程，因此尚不能判断其如何避免对齐与区分目标之间的冲突。 作者报告，在 SEED、SEED-IV 和 DEAP 三个基准数据库的跨会话与跨被试实验中，ACAN 优于所比较的先进域适应方法。摘要未提供具体指标、数值、数据划分或基线配置，不能据此量化收益，也不能直接比较不同数据库和协议下的表现。 复现时需核对无监督设定下目标域数据的使用方式、子域构建及标签或伪标签来源、域对齐与辅助对抗目标的权重和训练过程，并检查各模块的独立贡献。实验协议、消融及统计信息尚未验证；代码与实现条件也尚未确认。上述结果针对 EEG 情绪识别，不应直接扩展为其他 BCI 任务上的有效性结论。