HEDN：用于 EEG 情绪识别的任务难度评估驱动难易双网络

基于摘要分析。该研究针对跨被试 EEG 情绪识别中的被试差异，以及多源域适应（MSDA）中源域质量不均与多分支计算开销问题，提出可靠性感知的 Hard-Easy Dual Network（HEDN），通过源域评估与难易双分支分工处理不同质量的源域。 核心机制是 Source Reliability Assessment（SRA）：在训练过程中动态评估各源域的结构完整性，并据此将源域路由至两个专门分支。Easy Network 利用高质量源域构建细粒度、结构感知的原型，以生成可靠伪标签；Hard Network 通过对抗训练细化并对齐低质量源域。另以跨网络一致性损失约束两个分支的预测，维持语义一致性。摘要未说明结构完整性的计算定义、路由规则、原型构造方式及各损失的具体形式，这些机制细节尚未验证。 作者报告，在 SEED、SEED-IV 和 DEAP 上开展的跨被试与跨数据集评估中，HEDN 达到最先进性能，并降低适应复杂度。但摘要未提供具体指标、数值、对照方法、数据划分或复杂度测量方式，因此尚不能量化收益，也不能直接比较不同协议下的表现。 复现时应重点核对源域可靠性估计与识别效果之间的关系、难易分支及一致性约束的独立贡献，以及目标域数据和标签的使用条件；还需确认其计算开销优势对应的基线与测量口径。实验协议、消融及统计信息尚未验证。