FreAML：用于 EEG 情绪识别的频域自适应元学习框架

基于摘要分析。本文研究 EEG 情绪识别中的个体差异与域分布偏移，提出频域自适应元学习概率推断框架 FreAML，通过从支持集学习任务特定的频域参数，使模型快速适应查询集。 机制上，作者首先采用基于聚类匹配模式的自适应元任务构造策略，再通过双流摊销网络从支持集学习任务特定的频域实部与虚部参数，最后利用这些参数进行频域线性映射，实现查询集上的快速泛化学习。作者以频域信号能够保留综合信息、学习全局依赖作为方法动机，并将 EEG 高频特征与个体差异联系起来；该解释及其适用范围仍需结合正文和实验核对。摘要未明确概率分布形式、损失函数、聚类匹配准则及参数更新方式。 作者报告，在两个公开数据集上的广泛实验验证了方法的有效性与优势。但摘要未提供数据集名称、被试数量、支持集与查询集的划分、评价指标、数值结果或对照基线，因而不能确定实验属于被试内、跨被试还是跨会话协议，也不能量化优势。 复现时应重点核对频域表示及预处理方式、元任务构造规则、支持集是否需要标签、推理时可用的数据范围，以及双流参数推断和频域线性映射的具体实现。实验协议、消融及统计信息尚未验证，尤其需要确认各模块对域偏移适应的独立贡献。本文直接面向 EEG 情绪识别，但其在其他 BCI 任务中的有效性不能由摘要结果推定。