面向类别感知跨被试与跨会话 EEG 情绪识别的动态域适应

基于摘要分析。研究针对跨被试与跨会话 EEG 情绪识别中的分布差异，提出动态域适应算法 DDA，在全局域对齐之外加入情绪类别内的局部子域对齐，旨在兼顾特征的域不变性与情绪判别能力。 核心机制：作者认为，仅对齐整体 EEG 分布可能忽视各情绪类别对应的局部域差异，削弱特征的类别区分能力。DDA 分别通过最小化全局域差异和局部子域差异进行由粗到细的对齐。针对目标域情绪标签不可得的情形，动态训练策略在训练早期侧重全局域差异，随后逐渐转向局部子域差异。摘要未说明目标域类别归属如何估计、两类差异的具体数学形式，以及动态切换的调度方式，这些机制尚待全文核对。 作者报告：在跨被试和跨会话场景下，SEED 上的平均峰值 Accuracy 分别为 91.08% 和 92.89%，SEED-IV 上分别为 81.58% 和 80.82%。这些数字是摘要所称的“平均峰值”结果，不能直接视为固定训练终点或独立测试协议下的平均表现。摘要还说明 DDA 有无监督与半监督两个版本，但未明确上述结果对应哪个版本，也未给出目标域标注量、具体数据划分、对照基线或峰值选择规则，因此无法据此量化相对已有方法的提升。 验证与复现重点：需核对目标域数据和标签的可用范围、类别内对齐的实现方式、动态训练相对固定权重训练的作用，以及结果汇总和模型选择协议。网络结构、实验协议、消融及统计信息尚未验证；现有材料支持将其理解为 EEG 情绪识别的类别感知域适应方法，不支持外推至其他 BCI 任务。