用于 EEG 情绪识别多源域适应的谱域与空间域注意力对齐

基于摘要分析。该研究针对 EEG 情绪识别中非平稳性与个体差异造成的跨会话、跨被试泛化困难，提出 spectral-spatial attention alignment multi-source domain adaptation（S2A2-MSDA），通过对齐谱域与空间域注意力学习域不变特征，并借助目标域伪标签增强类别判别能力。 核心机制：作者认为，当多个来源域的分布差异较大时，成对对齐特征分布可能难以学习域不变特征，甚至产生不利影响。其方法建立在一个假设上：同一情绪类别虽然在不同个体或会话中具有不同的特征分布，但仍可能共享谱域与空间域的情感认知属性。S2A2-MSDA 构建域注意力来表征这些属性，并使用 domain consistent loss 在域间进行对齐；同时通过伪标签学习目标域的条件语义信息。摘要未给出注意力计算方式、损失公式、伪标签筛选规则及各项训练流程，不能据此确定具体网络结构或监督设置。 结果与对照：作者报告在 SEED 的跨会话场景和 SEED-IV 的跨被试场景中进行了验证，优于代表性域适应与多源域适应方法，并称达到最先进性能。摘要未提供具体指标、分数、数据划分或基线名称，因此这些结论不能用于定量比较，也不能扩展为其他 EEG 任务的已验证效果。 复现与局限：需要核对来源域的构建方式、目标域数据在训练中的使用范围、注意力对齐与伪标签模块各自的贡献，以及伪标签错误对训练的影响。同类情绪跨域共享注意力模式是否稳定，是理解该方法适用边界的重要问题；具体实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。