基于潜在表征相似性的 EEG 情绪识别域适应

基于摘要分析。该研究针对 EEG 个体差异导致的跨被试泛化困难，以及信号非平稳性导致的跨会话性能变化，提出基于潜在表征相似性的域适应方法。核心贡献是在优化源域情绪分类的同时，按网络层的功能差异对齐源域与目标域的不同分布，以改善情绪识别模型的迁移能力。 方法使用神经网络构建情绪分类器，训练目标包括降低源域分类误差，并提高源域与目标域潜在表征的相似性。具体而言，早期网络层采用对抗训练适配边缘分布，末端网络层采用 association reinforcement 适配条件分布。作者将同时适配这两类分布解释为对联合分布的近似适配。摘要未提供 association reinforcement 的具体定义、损失公式、网络结构及目标域标签使用条件，这些实现细节尚未验证。 作者报告，在 SEED 的三种情绪状态识别和 DEAP 的四种情绪状态识别评估中，该方法与多种代表性及近期域适应算法比较，达到或超过当时的先进方法。摘要未给出具体指标、数值，也未说明跨被试与跨会话任务各自的数据划分及基线配置，因此不能据此量化提升幅度或直接比较不同协议下的效果。 复现时需核对源域与目标域的构建方式、EEG 预处理与特征、目标域数据及标签的可用性、两类适配目标的实现和权重，以及跨被试、跨会话评估的统计方式。实验协议、消融及统计信息尚未验证；尤其需要查阅全文确认分层适配相对于单独边缘分布适配或条件分布适配的贡献。该研究直接面向 EEG 情绪识别，其结论不宜未经验证外推至其他 BCI 任务。