DMMR：通过去噪混合互重构实现基于 EEG 的情绪识别跨被试域泛化

基于摘要分析。本文针对 EEG 情绪识别中个体差异导致的跨被试泛化困难，提出 Denoising Mixed Mutual Reconstruction（DMMR），通过两阶段预训练及后续微调，学习可泛化到未见目标被试的情绪相关特征。 核心机制是在预训练中采用多解码器自编码器，对一个被试的特征进行编码与重构，并使生成特征接近同一类别下其他被试的特征，以促进编码器学习被试不变表示。作者将这一过程描述为自监督学习，但摘要同时涉及“同一类别”的跨被试重构，类别信息如何获得、如何参与训练仍需核对全文，不能据此认定预训练完全不使用标签。 为缓解源数据有限的问题，DMMR 引入隐藏层混合数据增强，并将预训练扩展为两阶段过程；为增强噪声稳定性，在输入端加入名为 Time Steps Shuffling 的噪声注入方法。微调阶段接入情绪分类器以提取情绪相关特征。摘要未明确各阶段的具体衔接、重构目标及损失形式。 作者报告，在面向未见目标被试的跨被试域泛化任务中，SEED 和 SEED-IV 上的 Accuracy 分别为 88.27%（±5.62）和 72.70%（±8.01）。具体被试划分、结果汇总方式及“±”的统计含义尚未验证。作者将性能描述为达到最先进或具有竞争力，并报告数据增强与噪声注入对准确率和稳定性具有互补作用；具体基线、消融幅度及统计证据需结合全文核对。 复现时应重点确认源被试与目标被试的隔离方式、预处理及模型选择是否仅依赖源域、同类别重构的样本配对规则，以及隐藏层混合和 Time Steps Shuffling 的实施细节。实验协议、消融及统计信息尚未验证，现有摘要不足以判断各模块的独立贡献及跨设置稳健性。