用于跨被试 EEG 情绪识别的两阶段原型对比域泛化

基于摘要分析。该研究针对不同被试 EEG 分布差异导致情绪识别模型难以泛化、面向新被试通常需要采集数据进行 BCI 校准的问题，提出两阶段原型对比域泛化框架 PCDG，旨在不访问目标域数据的条件下实现跨被试 EEG 情绪识别。 方法主要由两部分组成：基于残差块和 CBAM 块的卷积神经网络，以及基于原型表示的两阶段对比学习方法。摘要将被试间差异视为域间分布差异，采用域泛化而非依赖目标域数据的适配路线。原型表示如何构建、两个阶段如何衔接、对比样本如何选择，以及具体损失和训练流程尚未验证，不能仅凭方法名称推断其实现。 作者报告，在 SEED 和 SEED-IV 两个公开数据集的跨被试 EEG 情绪识别评估中，PCDG 在不访问目标域数据的条件下优于 SVM 及其他域适应、域泛化基线。摘要未提供具体指标、数值、被试划分或基线名称，因此尚不能量化收益，也不能判断不同基线获取目标域信息的条件是否一致。 复现时值得重点核对源域与目标域的被试划分、预处理与模型选择是否遵守目标域不可访问的设定，以及残差块、CBAM 和两阶段原型对比学习各自的贡献。实验协议、消融及统计信息尚未验证，代码可用性也尚未确认。当前证据支持将其作为跨被试情绪识别域泛化方法阅读，但不能据此认定其已在其他 EEG 任务或实际 BCI 部署中验证有效。