用于 EEG 特征选择的自适应矩阵式演化计算框架

基于摘要分析。该研究针对 EEG 情绪识别中通道高度相关所带来的特征冗余与计算成本，提出自适应矩阵式演化计算框架 AMEC，目标是选出尽可能少且具有信息量的 EEG 特征，以支持有效分类。 机制上，AMEC 区别于多数采用向量操作的演化计算（EC）算法，使用矩阵操作，并根据数据集特性动态调整特征子集规模。作者将这一设计用于减少冗余、改善分类准确率与特征选择效率。摘要未说明矩阵的具体表示、操作规则、子集规模更新策略及优化目标的数学形式，这些机制尚待全文核对。 验证方面，作者分别将经典遗传算法、典型粒子群优化算法和经典差分进化算法嵌入 AMEC，在三个公开 EEG 情绪识别数据集上评估，并与若干 EEG 特征选择算法比较。作者报告，该框架在分类准确率和计算效率方面更有效；但摘要未提供数据集名称、被试数量、具体指标数值、数据划分或被试内／跨被试评估背景，因此无法判断优势幅度及跨协议可比性。实验协议、消融及统计信息尚未验证。 作者还报告，不同性别对应的所选特征子集差异较大，并据此提出情绪识别需要考虑性别敏感的 EEG 特征选择。该观察不等同于性别特异特征具有稳定泛化收益，仍需核对样本构成、差异检验及独立评估结果。 复现时应重点核对特征提取与归一化流程、特征选择是否限定在训练划分内、分类器配置、搜索预算和停止条件，以及计算效率的计时口径。这些是验证结论的必要条件，并非摘要已证实的实验缺陷。当前材料支持其作为 EEG 情绪识别特征选择方法进行考察，不宜直接外推为其他 BCI 任务的有效性证据。