基于半监督多源联合分布适应的跨被试 EEG 情绪识别

基于摘要分析。本文针对 EEG 被试间差异导致情绪识别系统难以适用于新用户的问题，提出半监督域适应（SSDA）框架，利用少量目标被试标签辅助多个源被试与目标被试的联合分布对齐。核心贡献是结合被试级特征对齐与全局特征空间中的预测对齐，以支持更细粒度的知识迁移。 机制上，框架在被试层面执行多源特征对齐，同时在全局特征空间对齐预测，并通过目标被试上的类间分离与预测一致性支持联合分布对齐。相较于仅使用无标签目标数据的设定，该方法明确引入少量目标标签，因此属于带目标被试标注的跨被试适应，不能直接视为零标注泛化。具体模型结构、损失形式及各机制的独立贡献尚未验证。 作者报告，在 SEED 和 SEED-IV 的跨被试情绪识别实验中，每类使用三个有标签目标样本时，平均 Accuracy 分别为 93.55% 和 87.96%；另一种策略从每类首个 EEG trial 中选取十个有标签样本，平均 Accuracy 分别为 91.79% 和 85.45%。两组结果对应不同标签采样策略，不能仅按样本数量解释差异，也不能据此断定更多标注导致性能下降。 复现时需核对源与目标被试划分、目标标注样本与测试样本的关系、trial 内样本构造、会话处理方式、平均值计算与重复采样方案，以及相同标注预算下的对照基线。实验协议、消融及统计信息尚未验证；摘要中的平均 Accuracy 尚不足以确定不同目标被试上的稳定性或实际新用户校准收益。