跳到正文
只看一手#SEED
10月5日周一
  1. Europe PMC · EEG 方法72

    AdaTF-HyperMIL：用于被试独立 EEG 情绪识别的自适应时频融合与双曲多实例学习

    基于摘要分析。该研究针对训练和模型选择均不使用目标被试数据的跨被试 EEG 情绪识别，提出 AdaTF-HyperMIL，将自适应窗口编码、试次级证据选择与跨被试表征学习结合，处理时域与频域贡献变化、同一试次内窗口情绪相关性不均及被试间表征偏移。 机制上，动态时域路由按输入选择不同尺度的贡献，双向跨视图注意力与选择性核门控共同建模时频交互并调整融合权重。可学习查询压缩窗口内 token，基于注意力的多实例学习对窗口加权，使预测与试次级标签监督对应。置信度加权的双曲原型分类与跨被试对比学习进一步将试次加权和跨被试类别组织相连接；具体损失形式、权重设置及双曲空间实现尚未验证。 在嵌套留一被试评估下，作者报告：SEED 三分类 Accuracy 为 95.12%、Macro-F1 为 95.06%；SEED-IV 四分类分别为 82.63% 和 81.59%；DREAMER 唤醒度二分类分别为 82.69% 和 82.16%，效价二分类分别为 81.75% 和 81.68%。这些数值对应各自的数据集与任务，不宜跨任务直接比较。作者报告消融支持各设计阶段的贡献，但相对 MILFNet 的配对增益经 Holm 校正后不显著，因此这些结果不足以支持稳定优于该基线的结论。 复现需核对嵌套评估中的训练与模型选择边界、预处理与窗口划分、试次标签使用方式、基线配置及统计检验细节。被试数量、具体数据划分、消融幅度、代码与运行条件尚未验证；摘要不能替代对完整实验协议和统计信息的核查。

    阅读价值：值得核对其将自适应时频融合、试次级多实例学习与跨被试类别组织连接起来的机制及嵌套留一被试评估，但摘要明确指出相对 MILFNet 的配对增益经 Holm 校正后不显著，不能据此认定稳定优于该基线。

10月1日周四
  1. Europe PMC · EEG 方法70

    用于 EEG 情绪识别的微状态引导动态图神经网络与原型对比学习

    基于摘要分析。本研究针对 EEG 情绪识别中静态连接模板难以跟随脑网络随情绪变化而重组的问题，提出微状态引导的融合框架，将 EEG 微状态信息同时引入特征表示和图结构，并结合原型对比域适应实现跨被试对齐。 机制上，摘要明确提及专用编码器、多源动态图生成器及原型对比域适应。其方法特点是利用微状态信息指导时空表示与动态连接建模，而非仅依赖固定连接模板。微状态的提取与模板构建方式、多源图的具体来源、图更新规则、原型定义、对比损失及训练流程尚未验证，不能据摘要判断各模块的独立贡献。 作者报告，在 SEED 的 subject-independent（被试独立）协议下，模型平均 Accuracy 为 89.64%，并优于所比较的先进基线；摘要另称采用留一被试验证评估跨被试泛化。两项描述的具体对应关系、平均方式、波动范围及基线配置尚未验证，因此不宜与其他划分协议下的结果直接比较。 复现时应重点核对微状态模板是否仅由各折允许使用的数据构建、域适应是否使用目标被试数据及其标签、动态图与微状态模块的消融，以及统计稳定性。这些属于待核对事项，并非已确认的协议问题。作者将 SEED-IV 跨数据集验证和自适应微状态模板选择列为未来工作，当前摘要尚不支持跨数据集有效性的结论。实验协议、消融及统计信息尚未验证，代码与复现资源也未由所给材料确认。

    阅读价值：值得核对微状态信息在特征与动态图两个层面的融合是否带来独立增益，以及原型对比域适应在留一被试验证中如何使用目标被试数据；摘要中的跨被试结果为复现提供了明确切入点。

1月1日周一
  1. OpenReview · EEG64

    使用扩散模型进行情绪识别的 EEG 数据增强

    基于摘要分析。该研究针对 EEG 采集复杂、对被试及实验环境要求较高的问题，使用扩散模型生成 EEG 数据，并将生成数据用于情绪识别的数据增强。核心贡献是针对 EEG 生成优化扩散模型的采样阶段，同时考察生成数据数量对下游任务表现的影响。 技术机制：摘要明确说明改动集中于采样阶段，但未提供具体采样策略、生成对象的表示形式、模型结构、损失函数或训练条件。因此，尚不能判断其生成的是原始时序、特征还是其他 EEG 表示，也不能确认是否使用情绪标签进行条件生成。作者声称首次将扩散模型用于情绪识别，此优先性尚未检索确认；摘要关于扩散模型生成性能与训练稳定性的介绍，也不能直接视为本方法相对传统生成模型的已验证优势。 实验与结果：作者在 SEED、SEED-IV 和 DEAP 上进行实验，并报告该数据增强方法能够显著改善情绪识别。摘要没有给出具体指标、数值、对照基线或显著性检验信息，也未说明采用被试内、跨被试或其他划分协议，因此无法量化收益或比较不同数据集上的效果。生成数据数量的影响属于明确研究内容，但最优数量及其变化规律尚未验证。 复现与核对重点：需查阅全文确认采样优化的具体实现、生成数据与真实训练数据的混合方式、下游识别模型，以及数据划分和生成模型的训练范围。还应核对生成样本质量如何评估、性能收益是否随生成数量稳定变化，以及与其他增强方法的对照结果。实验协议、消融及统计信息尚未验证，代码与复现条件亦无法由当前摘要确认。