GIGN：学习 EEG 信号的图中图表示以实现连续情绪识别

基于摘要分析。该研究面向 EEG 连续情绪识别中的回归任务，旨在同时学习 EEG 通道的空间拓扑关系与情绪变化的时间上下文。作者将 EEG 表示为时间图中的空间图（SGTG），提出图中图神经网络 GIGN，以联合建模空间和时间信息。 在空间层面，每个空间图承载 EEG 通道关系，使用带可学习邻接矩阵的图卷积网络（GCN）捕获通道间的动态关系。在时间层面，作者将各空间图的嵌入所表示的短时情绪状态，通过另一套带可学习邻接矩阵的 GCN 加以组合，学习时间上下文。其主要方法特点是将通道拓扑与时间关系分别组织为图，并在图中图表示中联合学习，而非仅对通道或时间序列单独建模。具体节点特征、时间边构造、邻接矩阵的动态更新方式、损失函数及训练流程尚未验证。 作者报告，在公开数据集 MAHNOB-HCI 上，GIGN 的情绪回归结果优于近期发表的同任务方法。摘要未提供具体回归指标、数值、对照方法名称，也未说明被试内或跨被试划分，因此目前不能判断优势幅度及跨被试泛化能力，亦不能将该结果解释为情绪分类 Accuracy 的提升。 摘要给出了 GIGN 的代码入口，为实现核对与复现提供了起点；代码内容、依赖及其与论文实验的一致性尚未验证。进一步阅读应核对 EEG 预处理、窗口设置、回归目标、数据划分，以及空间与时间图模块各自的贡献。实验协议、消融及统计信息尚未验证；连续情绪回归结果也不直接构成在线 BCI 有效性的证据。