用于 EEG 情绪识别的空间与能量感知动态滤波及稀疏图卷积

基于摘要分析。该研究针对 EEG 情绪识别中脑活动关系稀疏、随状态动态变化且与信号能量相关的建模问题，提出 Spatial-Energy-Aware Dynamic Filtering with Sparse Graph Convolutions（SEASGC），将稀疏图构建、动态位置相关滤波和能量感知特征聚合结合，用于表征情绪相关的空间与频谱动态。 方法包含三个主要机制：稀疏图构建旨在自适应提取脑区之间的重要功能关系；动态且依赖位置的滤波用于建模 EEG 节点之间的非线性交互；能量感知聚合将能量变化作为情绪强度的相关线索。摘要尚未说明图边的计算与稀疏化方式、滤波器的生成及更新规则、能量特征的定义，也未提供损失函数、训练流程或具体网络结构，因此目前只能确认总体建模思路，不能据此判断各模块的独立贡献。 作者报告，在 EEG 情绪识别基准数据集上的广泛实验取得了其所称的当前最优性能，并据此强调方法的有效性与泛化能力。但摘要未列出数据集名称、被试数量、评价指标、具体分数、对照基线及被试内或跨被试等划分协议，故尚不能判断优势的幅度、适用范围及跨被试泛化是否经过验证；实验协议、消融及统计信息尚未验证。 复现时需核对图结构与滤波参数如何学习、能量特征如何归一化，以及各模块在相同数据划分下的消融结果。还应核对能量变化对情绪标签的贡献是否稳定，以及对伪迹、个体差异和通道配置变化的敏感性；这些是待验证问题，并非已确认的方法缺陷。摘要未提供代码、预处理流程及超参数，当前不足以直接复现。