CiABL：用于 EEG 与眼动信号跨被试情绪识别的完整性驱动自适应宽度学习

基于摘要分析。该研究针对 EEG 与眼动信号的跨被试情绪识别，提出 Completeness-induced Adaptative Broad Learning（CiABL），旨在缓解生理信号非平稳、低信噪比及个体差异带来的泛化困难。核心贡献是同时保留模态相关与模态独立信息，并通过加权表示分布对齐减少被试间差异。 机制方面，作者认为，过度关注不同模态之间的高相关信息可能造成信号描述不完整，并妨碍关键情绪信息的对齐。CiABL 因而探索包含模态相关和模态独立信息的完整表示，以减少模态间虚假相关带来的性能损失；随后对边缘分布与条件分布进行加权对齐。摘要未给出表示构建、权重计算、目标函数及训练或推理流程，具体实现尚未验证。 作者报告，在 SEED 和 SEED-FRA 数据集的跨被试情绪识别实验中，CiABL 展示了有效性与泛化能力，并优于所比较的当前先进方法。摘要未提供具体指标、数值、被试划分及基线配置，因此尚不能量化优势，也无法判断不同协议下的可比性。尤其需要核对目标被试数据是否参与训练或对齐、是否涉及目标标签，以及条件分布的估计方式，才能明确其泛化评估前提。 作者还报告，CiABL 可量化全局特征的重要性，用于解释模态贡献与跨被试任务下的平均脑激活模式；但摘要不足以确认这些解释的计算方式、稳定性或生理意义，不能将特征重要性直接视为情绪机制的证据。实验协议、消融及统计信息尚未验证；复现还需核对信号预处理、特征定义、模态同步方式、模型配置及实现可用性。