FACE：用于跨被试 EEG 情绪识别的跨视图融合少样本适配器

基于摘要分析。该研究面向跨被试 EEG 情绪识别中的被试间差异与复杂的被试内变异，提出 FACE（Few-shot Adapter with Cross-view Fusion），将动态多视图融合与少样本被试特定适应相结合，旨在利用有限标注数据适应未见被试，并缓解适应过程中的严重过拟合。 核心机制包含两个模块：跨视图融合模块通过被试特定的融合权重，动态整合全局脑连接与局部模式，以获取互补的情绪信息；少样本适配器模块利用元学习增强适配器结构，以支持对未见被试的快速适应。摘要未说明脑连接的构建方式、局部模式的表示方法、融合权重的学习过程，以及适配器结构、优化目标和元学习任务组织方式，这些实现细节尚未验证。 作者将方法定位为对现有域适应、域泛化及少样本学习方案局限的回应：部分现有方案依赖较多目标被试数据，或对未见被试泛化有限，而少样本适应可能出现过拟合。FACE 的主要设计重点是结合互补视图与元学习增强的适应机制；各模块的独立贡献及其相对基线的优势需由正文和消融实验核对。 作者报告，在三个公开 EEG 情绪识别基准的跨被试评估中，FACE 的泛化表现优于所比较的先进方法。摘要未提供数据集名称、被试数量、每个目标被试的标注样本预算、数据划分、对照方法或具体指标，因此不能量化提升，也不能判断不同协议下结果的可比性。 复现时应重点核对未见被试的适应集与测试集划分、目标被试数据的使用范围、元训练与评估被试的隔离方式，以及融合模块和适配器的消融设置。实验协议、消融及统计信息尚未验证，代码与完整复现条件也尚未确认。该摘要支持的是少样本跨被试 EEG 情绪识别研究，不宜据此扩展为其他 EEG 任务或实际 BCI 部署中的已验证效果。