基于权重的通道—模型矩阵框架：一种用于 EEG 跨数据集情绪识别的合理解决方案

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稳定的问题，先分析不同来源的 EEG 信息差异，再提出 Weight-based Channel-model Matrix Framework（WCMF），以刻画并处理情绪特征分布差异。 作者在五个公开数据集上，使用样本空间可视化、样本聚集现象量化和能量模式分析，考察个体、会话、情绪及试次信息对情绪识别的影响，并据此提出不同 EEG 差异的处理方法与解释。摘要未给出数据集名称、被试数量、特征提取方式或各类差异的具体分析结果。 作者通过情绪特征分布分析识别出 Individual Emotional Feature Distribution Difference（IEFDD，个体情绪特征分布差异），并认为它是影响情绪识别稳定性的主要因素。在分析传统建模方式受 IEFDD 限制的基础上，作者提出 WCMF，并设计四种权重提取方法。作者报告其中 correction T-test（CT）权重提取方法最优；但摘要未说明矩阵的具体构成、权重计算公式、模型组合方式及训练与推理流程，因此尚不能据此还原实现。 作者在模拟不同实际场景的两类跨数据集实验中验证 WCMF，并报告其情绪识别能力更好且更稳定。摘要未提供具体指标、数值、对照基线及数据划分，无法判断收益幅度，也无法确认“稳定性”的量化定义。复现前需核对数据集之间的情绪标签对应、通道与预处理对齐、权重估计所用数据，以及两类场景下训练集与测试集的关系；实验协议、消融及统计信息尚未验证。该工作的证据范围是 EEG 情绪识别，不应直接扩展为其他 BCI 任务中的已验证效果。