CFDA-CSF：用于跨被试情绪识别的多模态域适应方法

基于摘要分析。本文研究 EEG 与眼动多模态情绪识别在新被试上因分布偏移而性能下降的问题，提出 Coarse and Fine-grained Distribution Alignment with Correlated and Separable Features（CFDA-CSF），在无监督域适应框架下同时考虑分布对齐与特征判别性。 方法机制：CFDA-CSF 在全局特征空间进行粗粒度对齐，并在各域分布的模态之间进行细粒度对齐；同时学习域内相关特征，并鼓励新被试上的特征空间具有可分性。相对于摘要所述的单模态 UDA 及既有多模态方法，其研究重点是避免仅对齐整体分布而忽略细粒度结构和判别性。具体特征提取器、对齐度量、损失形式及训练流程尚未验证。 实验结果：作者报告在 SEED、SEED-IV 和 SEED-V 三个公开多模态情绪识别数据集的可用会话上开展跨被试实验。按摘要列出的会话顺序，各会话平均 Accuracy 分别为：SEED，93.05%、85.87%、91.20%；SEED-IV，85.72%、89.60%、86.88%；SEED-V，88.49%、91.37%、91.57%。作者报告每个会话的识别性能均得到改善，但摘要未给出对应基线数值，不能据此量化提升幅度，也不能将这些结果解读为跨会话泛化表现。 核验与复现：需查阅全文确认源域与目标被试划分、目标域无标签数据的使用范围、EEG 与眼动预处理及同步方式、各组件消融、平均方式和统计不确定性。实验协议、消融及统计信息尚未验证；摘要亦不足以判断缺失模态、通道变化或更小目标域样本量下的稳健性。该方法直接面向 EEG 与眼动情绪识别，其结果不应扩展为其他 BCI 任务上的已验证效果。