CFDA-CSF：用于跨被试情绪识别的多模态域适应方法

基于摘要分析。本文研究 EEG 与眼动联合情绪识别中，新被试与训练被试之间的分布偏移问题，提出无监督域适应方法 CFDA-CSF（Coarse and Fine-grained Distribution Alignment with Correlated and Separable Features），将粗粒度与细粒度分布对齐结合，以学习兼具相关性和可分性的特征空间。 方法机制：粗粒度对齐作用于全局特征空间，细粒度对齐针对各域分布中的模态间结构；同时学习域内相关特征，并鼓励新被试的特征空间具有可分性。作者将其与主要面向单模态的 UDA 方法，以及未显式兼顾细粒度结构对齐和特征判别性的多模态方法区分开来。摘要未提供特征提取器、对齐损失的具体形式、相关性与可分性约束的实现，不能据此确定网络结构或训练流程。 结果：在跨被试多模态情绪识别研究背景下，作者报告对 SEED、SEED-IV 和 SEED-V 的可用会话开展实验，并在每个会话中改善识别性能。摘要依次列出的三个会话平均 Accuracy 为：SEED 93.05%、85.87%、91.20%；SEED-IV 85.72%、89.60%、86.88%；SEED-V 88.49%、91.37%、91.57%。这些数值对应各数据集的会话评估，并非一个跨会话汇总分数；具体会话标识、源域与目标域构成、被试划分及平均方式尚未验证，不宜直接跨数据集比较。 复现时需核对 EEG 与眼动的预处理及同步方式、目标域无标签数据的使用范围、测试样本与适应样本的关系，以及各对齐和特征约束的独立贡献。摘要没有给出对照方法及差值，实验协议、消融及统计信息尚未验证；代码与实现可用性也尚未验证。该研究直接面向 EEG 与眼动情绪识别，但所列结果不能自动扩展为其他 BCI 任务或实际在线应用的有效性证据。