跳到正文
#DEAP
1月1日周一
  1. OpenReview · EEG60

    通过 2D-CNN-LSTM 网络实现基于微分熵特征矩阵的 EEG 情绪识别

    基于摘要分析。本文针对 EEG 情绪识别中电极间空间相关性建模不足的问题，提出将微分熵特征矩阵（DEFM）与 2D-CNN-LSTM 结合的方法，以联合利用电极布局和时间窗口序列中的信息进行情绪分类。 核心表示构建过程是：先将一维 EEG 向量序列映射为与电极位置及脑区分布对应的二维网格矩阵序列，再将 EEG 划分为等长时间窗口，计算各窗口内每个电极的微分熵（DE），并将其与二维网格布局结合形成 DEFM。这一表示旨在保留相邻电极的空间关系及随时间变化的特征。随后，作者使用 2D-CNN-LSTM 识别情绪类别，并通过全连接层输出分类结果。摘要未提供具体网格映射、空缺位置处理、窗口长度、频段设置或网络配置，这些实现条件尚未验证。 作者报告，在 DEAP dataset 上，valence 与 arousal 分类的平均 Accuracy 分别为 91.92% 和 92.31%。摘要未说明类别定义、数据划分以及采用 Within-subject 还是 Cross-subject 协议，因此不能据此判断跨被试泛化能力，也不能直接与其他协议下的结果比较。作者认为该方法提升了准确性和鲁棒性，但具体对照基线、鲁棒性评估、消融及统计信息尚未验证。 复现时值得重点核对 DEFM 的电极空间映射规则、特征计算与预处理步骤、窗口及序列组织方式，以及训练测试划分。还需结合全文确认空间布局表示和时序建模各自的贡献，并检查不同被试与会话条件下结果的稳定性。

  2. 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。

1月1日周五
  1. OpenReview · EEG67

    基于层次图卷积网络的 EEG 情绪识别

    基于摘要分析。该研究针对 EEG 情绪识别中相邻电极关系与通道不对称信息利用不足的问题，提出基于层次图卷积网络（HGCN）的 ERHGCN，将多类 EEG 特征与空间关系建模结合，用于 valence（效价）和 arousal（唤醒度）分类。 方法先从五个频带提取六类特征：功率谱密度（PSD）、微分熵（DE）、差分不对称性（DASM）、比值不对称性（RASM）、不对称性（ASM）及 differential caudality（DCAU）。随后，HGCN 对纵向与横向相邻电极对采用不同处理方式，以提取更深层的空间特征；六类特征输入 HGCN 后，通过两个全连接层整合。摘要支持的主要方法特点是对两种方向的电极邻接关系进行差异化建模，而非仅依赖时间或频率特征。具体图构建、边权定义、层次结构、损失函数与训练流程尚未验证。 作者报告，在 DEAP 数据集上的 valence 和 arousal 分类任务中，Accuracy 分别为 90.56% 和 88.79%。摘要未说明这些数值对应被试内还是跨被试评估，也未提供训练与测试划分、分类标签设置或对照基线，因此不能据此判断跨被试泛化能力，或与不同协议下的结果直接比较。 复现与阅读时需核对：频带与特征计算方式、纵向和横向电极对的定义，以及空间关系建模相对单独使用频域或不对称性特征的贡献。实验协议、消融及统计信息尚未验证；代码与实现可用性也无法由当前材料确认。

  2. OpenReview · EEG72

    基于三维特征表示与空洞全卷积网络的 EEG 情绪识别

    基于摘要分析。针对高维 EEG 情绪识别中稳健且具有代表性的特征学习问题，研究提出结合三维特征表示与空洞全卷积网络的框架 3DFR-DFCN，将电极空间关系及频带相关信息组织为输入，并引入谱范数正则化以降低模型对受扰动 EEG 特征的敏感性。 方法首先将一维特征序列扩展为不同频带的二维电极网格，以利用通道间与频带间相关信息；再将多个激活模式下的电极网格构建为三维 EEG 数组，捕捉其互补信息。DFCN 对该数组进行跨频带、跨通道特征学习，谱范数正则化项（SNR）用于约束扰动敏感性。摘要未明确激活模式的定义、原始特征类型、三维数组各轴的具体组织方式及正则化的数学形式，这些细节尚未验证。 作者报告在 DEAP 和 DREAMER 上开展了被试依赖与被试独立实验。DEAP 上，两类实验按被试依赖／被试独立顺序，valence 分类平均 Accuracy 为 94.59%／81.03%，arousal 为 95.32%／79.91%，dominance 为 94.78%／80.23%。这些数值属于不同评估协议，不能混为单一性能结论；摘要未提供具体数据划分、分类标签设置、对照基线或 DREAMER 的结果数值。 研究的可核对价值在于检验空间与频带信息联合组织、空洞卷积及谱范数正则化各自的贡献，以及其在被试独立条件下的有效性。复现需核对特征提取流程、电极网格映射、激活模式构造、训练配置与划分协议；实验协议、消融及统计信息尚未验证。摘要提出该信息整合对实际或临床情绪评估有意义，但不能据此视为已完成临床有效性验证。

    阅读价值：值得核对其三维 EEG 特征组织与谱范数正则化如何支持跨通道、跨频带学习，以及 DEAP 上被试依赖与被试独立评估结果的差异，但具体划分和稳健性证据尚未验证。