VBH-GNN：用于跨被试情绪识别的变分贝叶斯异构图神经网络

基于摘要分析。该研究针对 EEG 跨被试情绪识别中的个体差异与单模态信息限制，提出 Variational Bayesian Heterogeneous Graph Neural Network（VBH-GNN），结合多模态生理信号和 Relationship Distribution Adaptation（RDA），将域适应的对齐对象由信号特征分布转向特征间的时空关系分布。 核心机制：摘要将 RDA 描述为两个阶段：首先，针对给定源域，以异构图的后验分布表达模型空间，从而进行域对齐；随后，将异构图转换为情绪特定图，进一步面向下游情绪识别任务对齐域。其方法动机是，EEG 个体差异较大，直接要求不同域的信号特征分布完全匹配可能较难，而关系层面的建模提供了另一种适应路径。具体生理模态、图节点与边的定义、后验参数化、损失形式及训练和推理流程尚未验证。 结果与证据边界：作者报告，在 DEAP 和 Dreamer 两个公开数据集的跨被试场景中，VBH-GNN 优于所比较的先进方法。摘要未提供具体指标、数值、被试划分、目标域数据使用方式或对照方法名称，因此无法判断优势幅度，也不能直接与其他协议下的结果比较。 复现核对重点：需查阅全文确认多模态输入及同步方式、关系分布对齐的具体实现，以及异构图后验与情绪特定图分别带来的贡献；还需核对跨被试划分、目标域标签是否参与训练、基线设置及统计可靠性。实验协议、消融及统计信息尚未验证。现有材料支持其作为 EEG 情绪识别域适应方法的阅读价值，但不能据此推断其在其他 BCI 任务中的有效性。