基于权重的通道–模型矩阵框架：EEG 跨数据集情绪识别的一种合理解决方案

基于摘要分析。该研究针对 EEG 跨数据集情绪识别中通用模型表现不理想的问题，分析个体、会话、情绪和试次相关的 EEG 信息差异，并提出 Weight-based Channel-model Matrix Framework（WCMF），以刻画情绪特征分布模式并改善识别稳定性。 作者在五个公开数据集上，通过样本空间可视化、样本聚集现象量化及能量模式分析，研究不同 EEG 信息对情绪识别的影响，并据此提出差异处理方法及解释。作者报告发现 Individual Emotional Feature Distribution Difference（IEFDD，个体情绪特征分布差异），并将其视为影响情绪识别稳定性的主要因素；这一判断的统计依据及对其他因素的控制尚未验证。 方法上，作者在分析传统建模方式受 IEFDD 限制的基础上提出 WCMF，并设计四种权重提取方法。作者报告其中 correction T-test（CT）权重提取方法表现最优。摘要未说明通道–模型矩阵的具体构造、权重计算与组合方式、训练目标或推理流程，不能据此确定其实现细节。 结果方面，作者报告在模拟不同实际场景的两类跨数据集实验中，WCMF 具有更稳定且更好的情绪识别能力。摘要未提供数据集名称、被试数量、跨数据集划分、对照方法、评价指标或具体数值，因此尚不能判断改进幅度及不同协议下的可比性。复现前需核对特征与预处理流程、训练及测试阶段权重估计所需的信息，以及 CT 相对其他权重方法的比较条件；实验协议、消融及统计信息尚未验证。