面向生物信号 HCI 的因果学习无监督域适应

基于摘要分析。本文研究生物信号 HCI 模型在跨被试或跨会话应用时的性能退化，提出通过因果表征学习实现无监督域适应的方法，主要在 EEG 情绪识别与 sEMG 手势识别任务上验证。 核心机制是将被试、会话和试次作为三类可选择的干预因素：先训练生成模型产生干预后的特征，再利用这些特征以三种模式学习可迁移的因果关系，从而支持跨所选干预因素的泛化。摘要未展开三种模式的具体定义，也未说明因果假设、生成模型结构、损失函数或源域与目标域数据的使用方式，因此尚不能判断干预如何实现，以及因果关系的识别依赖哪些条件。 作者报告，相较于 SOTA 无监督域适应方法，跨被试 EEG 情绪识别任务的改进为原文所记“+0.21%”。在跨会话 sEMG 手势识别任务中，CSL-HDEMG、CapgMyo DB-b、3DC 和 Ninapro DB6 上的改进分别为“+1.47%”“+3.36%”“+1.71%”和“+1.01%”；在跨试次 sEMG 手势识别任务中，Ninapro databases 上的平均改进为“+0.66%”。摘要未明确这些数值对应的评价指标，也未澄清其为相对百分比还是绝对百分点，不能将其改写为 Accuracy 增益或直接跨协议比较。 本文已包含 EEG 实验，无需借助 sEMG 结果推断其 EEG 有效性；但现有材料仅支持 EEG 情绪识别这一任务，不能外推至 MI、SSVEP 或其他 BCI 范式。复现时需核对 EEG 数据集与被试规模、源域和目标域划分、目标域标签使用规则、具体对照方法及多次运行的不确定性。实验协议、消融及统计信息尚未验证，代码与训练配置的可获得性也尚未验证。