MMDA：用于 EEG 与眼动信号跨被试情绪识别的多模态多源域适应方法

MMDA 针对 EEG 与眼动信号多模态情绪识别中对新被试泛化不足的问题，通过多源域适应、分布对齐优先选择和特征选择，试图减少负迁移并改善模态融合。基于摘要分析，未取得论文全文。 核心机制包括三部分：分别在每个已知被试与目标新被试之间进行边缘分布和条件分布对齐；优先采用相关的分布对齐，以减少不合适的迁移；从 EEG 中提取更具判别力的特征，并选择跨模态的相关特征来改善融合。其关注点不仅是缩小被试间分布差异，也包括避免无关信息干扰。摘要未说明相关性判定、对齐权重、特征提取与选择的具体实现，损失形式及训练流程尚未验证。 作者在 SEED、SEED-GER、SEED-IV 和 SEED-V 四个公开数据集上采用留一被试交叉验证，评估 Cross-subject 情绪识别。作者报告，在将被试不同会话的数据合并进行评估时，MMDA 在各数据集上均超过所比较的已有最佳结果；在逐会话评估时，作者报告其在 11 个会话中的 8 个超过所比较的已有最佳结果。摘要未提供具体指标、分数、增益幅度或基线名称，因此不能据此量化优势，也不能将合并会话与逐会话结果直接比较。 复现时需核对目标被试数据的可用范围、条件分布对齐如何获得目标类别信息、多源对齐的优先选择规则，以及 EEG 特征与眼动特征的融合方式。还需确认会话组织、预处理、对照方法和统计检验，并检查对齐选择与特征选择各自的贡献；实验协议、消融及统计信息尚未验证。该工作直接研究 EEG 多模态情绪识别，但摘要结果不等同于对其他 BCI 任务或在线应用有效性的验证。