用于 EEG 情绪识别的连接不确定性图卷积网络

基于摘要分析。该研究面向多通道 EEG 情绪识别，针对长路径判别性节点特征学习、通道及有效频带拓扑关系的模糊性，以及数据内在属性与给定标签之间的对应问题，提出 Connectivity Uncertainty GCN（CU-GCN），将分布式不确定性表征、图聚合与 graph mixup 结合。 机制方面，作者使用基于分布的不确定性方法表征 EEG 的空间依赖及时间—频谱关联，并在 Graph Convolutional Network（GCN）架构中自适应地为功能性聚合节点特征赋权，以捕获长路径信息并缓解过平滑。graph mixup 用于增强潜在连接边并减轻标签噪声问题；不确定性学习与深层 GCN 权重以作者所称的“单向学习”方式结合。摘要未提供分布参数化、图构建规则、mixup 操作对象、损失形式及单向学习的具体实现，相关机制尚待全文核对。 作者报告，在 SEED 和 SEEDIV 的情绪识别任务中，该方法相较既有方法取得正向且显著的改进，并通过消融实验支持各组件的贡献。摘要未给出具体指标、数值、对照方法或被试内／跨被试划分，因此尚不能判断收益大小、不同协议下的泛化表现，以及“显著”所依据的统计检验。 复现时需核对 EEG 预处理、通道与频带节点定义、连接不确定性的估计方式、训练和测试划分，以及 graph mixup 与标签的处理流程。实验协议、消融及统计信息尚未验证；摘要也未提供代码或权重可用性信息。本文直接研究 EEG 情绪识别，但其结果不应外推为其他 BCI 任务中的已验证效果。