Sera：用于跨被试 EEG 情绪识别的分离式粗到细表征对齐

基于摘要分析。该研究针对头皮 EEG 中多源活动混合及被试间差异对跨被试情绪识别造成的困难，提出 Sera，将源活动分离与粗到细表征对齐结合，以学习更适合跨被试识别的表示。 核心机制包括两个部分：一是带有多个多阶段解码器的变分自编码器（VAE），作者将其设计为把 EEG 解耦为独立源活动，并以此模拟神经信号生成过程；二是粗到细表征对齐模块（CFRA），粗粒度阶段通过域判别器进行对抗训练，细粒度阶段匹配协方差矩阵，以捕捉 EEG 片段内部的时间相关性。其方法特点是显式处理多源混合，而非仅依赖频带、空间相关性或时间依赖特征，同时在不同粒度上缓解被试差异。摘要未提供独立性的约束方式、协方差计算对象及具体损失形式，这些实现细节尚未验证。 作者报告，在跨被试 EEG 情绪识别实验中，Sera 在 DEAP 和 DREAMER 上相较作者所称的最先进方法分别提升 3.14% 和 3.05%。摘要未明确对应指标、相对提升或百分点口径，也未给出具体基线、被试划分及情绪标签设置，因此不能据此换算为 Accuracy 增益或进行统一协议下的横向比较。实验协议、消融及统计信息尚未验证。 复现时应重点核对源分离与 CFRA 的单独及组合贡献、跨被试划分与预处理流程，以及模型学习到的独立源是否具有可验证的生理对应关系；解耦潜变量本身不能直接证明恢复了真实神经源。摘要提供了匿名代码地址，但代码可用性、依赖环境及其与论文实验的一致性尚未验证。