结合伪标签传播的无监督域适应用于跨域 EEG 情绪识别

基于摘要分析。该研究针对 EEG 情绪识别中的情绪标签稀缺与域间分布差异，提出结合伪标签传播的无监督域适应方法 DAPLP，利用情绪相关 EEG 数据的连续性改善跨域识别。 方法先通过全局分布对齐（GDA）对齐源域与目标域，再由源域分类器生成目标域伪标签，从中选取可靠伪标签引导标签传播，并使用纠正与平滑技术进一步优化传播过程。摘要给出了这一处理流程，但可靠性筛选标准、连续性的具体建模方式、传播所用数据关系、纠正与平滑的实现及优化目标尚未验证。 作者报告，在 SEED、SEED-IV、SEED-V 上，跨被试（Cross-subject）评估的平均 Accuracy 分别为 89.44%、74.57%、69.15%；跨会话（Cross-session）评估分别为 96.41%、82.20%、84.70%。作者称其性能可与先进现有方法竞争，但摘要未提供具体基线、源域与目标域划分、平均方式或不确定性估计，不宜将不同协议下的数值直接比较。 复现时需核对目标域无标签数据的使用范围、传播关系与数据连续性的对应方式，以及 GDA、可靠伪标签筛选、纠正和平滑各环节的消融贡献。伪标签错误可能沿传播关系扩散，情绪连续性假设在会话变化或情绪切换时是否成立也需验证；这些是待核对的风险，而非已证实的缺陷。实验协议、消融及统计信息尚未验证，摘要中的实用潜力判断仍需结合全文与独立复现评估。