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。本文研究 EEG 与眼动信号的跨被试情绪识别，针对生理信号非平稳、低信噪比及个体差异带来的泛化困难，提出 Completeness-induced Adaptative Broad Learning（CiABL）。核心贡献是兼顾模态相关与模态独立信息的完整表征，并结合加权分布对齐，改善对未见目标域被试的泛化。 机制上，作者认为，仅强调不同模态间的高相关信息，可能造成生理信号描述不完整，并妨碍关键情绪信息的对齐。CiABL 探索同时涵盖模态相关与模态独立信息的表征，旨在减少模态间伪相关导致的性能损失；随后通过加权表征分布对齐机制，对齐边缘分布与条件分布，以降低个体差异的影响。摘要未提供完整表征的具体构造、权重计算方式、优化目标或宽度学习实现细节，这些机制尚需核对正文。 作者报告，在 SEED 与 SEED-FRA 数据集的跨被试情绪识别实验中，CiABL 展现了有效性与泛化能力，并优于所比较的当前先进方法。摘要未给出被试划分、目标域数据及标签的使用条件、对照方法、评价指标或具体数值，因此尚不能判断性能增益的幅度，也不能确认其设置属于域适应还是无需目标域数据的域泛化。 作者还报告，CiABL 能量化全局特征的重要性，用于解释模态贡献及跨被试任务中的平均脑激活模式。此类特征解释是否具有稳定性，以及是否支持生理层面的结论，仍需结合正文的分析方法与验证依据评估。实验协议、消融及统计信息尚未验证；复现还需核对预处理、特征提取、训练与推理流程，以及代码可用性。