一种用于跨域 EEG 情绪识别的快速高效域适应技术
基于摘要分析。本文针对不同被试或会话间 EEG 非平稳性造成的情绪分类性能下降，提出 adaptive subspace feature matching（ASFM），旨在不使用目标被试标注样本的条件下，在统一框架中减小源域与目标域的边缘分布和条件分布差异，同时降低域适应计算开销。 核心方法是构建不含正则化项的线性变换，对齐源域与目标域子空间的边缘分布；作者称该设计可显著降低计算复杂度，并使边缘分布与条件分布差异均得到减小。随后在变换后的源域上训练 logistic regression（LR），用于目标域分类。摘要未说明条件分布匹配的具体实现、目标域数据使用方式及子空间构造细节，这些机制尚未验证。 作者在一个包含 positive、neutral、negative 三种情绪状态的公开 EEG 数据集上，与六种典型方法进行离线和在线比较。作者报告：Cross-subject 离线评估中，ASFM 的平均 Accuracy 为 80.46%，标准差为 6.84%；对照 subspace alignment auto-encoder（SAAE）的平均 Accuracy 为 77.88%，标准差为 7.33%。在覆盖该数据集全部 15 名被试的 Cross-subject 在线评估中，ASFM 的平均 Accuracy 为 75.11%，标准差为 7.65%；最佳基线 LR 为 56.38%，标准差为 7.48%。摘要称在线提升显著，但具体统计检验尚未验证；离线与在线结果不宜脱离各自协议直接比较。 作者进一步认为，在训练与测试样本量受控于一定范围时，ASFM 适合实时分类，但摘要未提供样本量边界、运行时间或硬件条件。数据集名称、特征提取、源域与目标域划分、在线更新流程、消融及统计信息尚未验证。虽然作者结论涉及跨被试和跨会话适应，摘要所列定量结果仅明确对应跨被试评估，跨会话效果仍需核对全文。复现时应重点核对条件分布对齐实现、无标签目标数据的访问协议及计算效率测试条件。
阅读价值：值得阅读的是 ASFM 在不使用目标被试标签的条件下兼顾分布对齐与计算效率，并提供跨被试离线和在线对照结果；条件分布对齐机制及实时性边界仍需全文核对。