利用内在邻域语义结构实现 EEG 情绪识别的域适应

基于摘要分析。该研究针对 EEG 情绪识别中由信号非平稳性与个体差异引起的跨被试泛化问题，提出 Neighborhood Semantic Aware Learning-based Dynamic Graph Attention Convolution（NSAL-DGAT），在域特征对齐后利用源域与目标域之间的邻域语义拓扑结构，为目标样本学习更具判别性的表示并改善分类器适应。 核心动机是：仅对齐源域和目标域特征的边缘分布，并不保证特征与标签之间的类条件关系一致；当类条件分布差异较大时，域不变特征可能对无标签目标样本缺乏判别能力，甚至产生负面作用。NSAL 的机制假设是，对齐后的部分目标样本与邻近源域样本具有相似语义，因此可以借助邻域拓扑提取并融入目标语义信息，训练更可迁移的分类器。其熵加权机制进一步强调有代表性的目标语义信息，使目标样本优先利用源域邻域中高置信度样本的信息。摘要未展开动态图注意力卷积的具体实现，图构建规则、熵的计算对象、损失形式及训练流程尚未验证。 作者报告，在公开 SEED 与团队采集的 Hearing-Impaired EEG Dataset（HIED）上进行了实验，并在 subject-dependent 与 subject-independent 场景中取得其所称的最先进 Accuracy。摘要未给出具体数值、被试数量、数据划分、基线或统计结果，不能据此量化提升，也不能将这两种场景直接等同于某一标准被试内或跨被试协议。 复现时值得重点核对源域邻域的语义可靠性、低置信度样本如何被降权，以及邻域语义利用相对单纯分布对齐的独立贡献。还需确认目标域数据的使用范围、邻域构建与测试数据划分的关系，以及两个数据集采用的评估协议；这些属于待核对事项，并非已确认的方法缺陷。实验协议、消融及统计信息尚未验证。