使用多源注意力动态残差迁移实现 EEG 情绪识别的跨被试与跨会话泛化

基于摘要分析。研究针对 EEG 情绪识别中个体差异与跨会话非平稳性导致的迁移性能下降，提出 multi-source attention-based dynamic residual transfer（MS-ADRT），通过样本条件化的动态特征提取与域对齐处理多源迁移问题。 核心机制：作者在动态特征提取器中引入注意力模块，使模型参数随输入样本变化，以适应不同来源样本的特征差异。作者将这一机制描述为隐式实现多源域适应，并将多源域适应简化为单源域适应。方法还结合最大均值差异（MMD）与基于最大分类器差异（MCD）的对抗训练，缩小源域与目标域之间的距离，学习兼具域不变性和情绪区分能力的特征。动态参数的生成方式、残差结构、损失组合及训练流程尚未验证。 创新与对照：摘要指出，将不同被试或会话合并为单一源域的常见方法可能忽略源域之间的差异，而显式多源方法通常需要为各源域建立独立的域适应分支。MS-ADRT 的主要思路是用随样本变化的特征提取机制替代这种逐域分支处理；摘要未提供参数量、计算开销或相关消融结果，不能据此认定其更轻量。 结果与边界：作者报告，在 SEED 和 SEED-IV 上与代表性方法比较，MS-ADRT 优于所比较的先进方法。摘要未给出具体指标、数值、基线名称，也未说明跨被试与跨会话实验各自的划分、目标域样本和标签使用方式。因此，标题中的“泛化”不能直接等同于不使用目标域数据的域泛化；其实际评估协议需查阅全文确认。 复现核对重点包括目标域数据可用条件、源域组织方式、动态注意力与 MMD/MCD 各自的贡献，以及不同被试和会话上的结果分布。实验协议、消融及统计信息尚未验证，代码与运行条件亦无法由现有材料确认。