GCD-JFSE：用于 EEG 情绪识别的基于图的类别–域知识联合特征选择与集成学习

基于摘要分析。该研究针对 EEG 情绪识别中特征选择难以应对个体差异和信号非平稳性的问题，提出 GCD-JFSE，将类别与域知识联合用于特征选择，并结合集成学习改善跨被试、跨会话识别。 方法首先构建无向、全连接加权图，以刻画特征之间的关系；随后引入域散度、域相关性和域标准差等指标来指导特征选择，最后采用软投票集成学习进行识别。其可核对的方法价值在于：特征选择不只考虑情绪类别相关信息，还显式纳入被试或会话对应的域信息。摘要尚未说明图边权的定义、类别知识的具体编码方式、各指标的组合或优化形式，以及参与软投票的分类器和权重设置。 作者报告，在公开数据集的跨被试情绪识别实验中，Accuracy 分别为 SEED 78.67%、SEED_IV 58.98%，以及 DREAMER 的 valence 61.11%、arousal 72.46%；在跨会话实验中，SEED 和 SEED_IV 的 Accuracy 分别为 87.11% 和 60.74%。作者称该方法优于现有先进方法，但摘要未提供具体对照方法、性能差值或统计不确定性，跨被试与跨会话结果不能直接横向比较。 复现时需核对输入 EEG 特征、被试和会话划分、特征选择是否在各训练折内完成，以及域统计量是否依赖目标域数据或标签；这些条件决定方法的适用范围及结果可比性，不能仅凭摘要判断。还需核对图建模、域指标及软投票各自的消融效果。实验协议、消融及统计信息尚未验证；摘要中的公开数据集结果也不足以直接确认真实应用场景下的稳健性。