基于皮肤电活动标注的 EEG 紧张识别

基于摘要分析。该研究针对情绪 EEG 数据集中整段视频使用统一标签、难以反映被试观看时情绪唤醒变化的问题，提出结合皮肤电活动（EDA）对 EEG 进行唤醒程度标注的方法，并引入包含紧张与平静状态的新数据集。 核心机制是将 EDA 作为情绪唤醒的心理生理指标，为 EEG 数据标注高、低唤醒程度，以辅助训练样本筛选。紧张／平静是研究涉及的情绪状态，高／低唤醒则是 EDA 辅助标注的维度，两者不能直接视为同一分类标签。摘要未说明 EDA 标注阈值、时间窗口、信号同步方式，以及“高诱发”样本与唤醒标签的具体对应规则，这些细节尚未验证。 作者在被试内（subject-specific）范式下采用多种机器学习和深度学习算法进行测试。作者报告：仅使用高诱发 EEG 样本训练时，这些样本占初始训练集的 71.75%，模型在不同唤醒程度测试集上的表现与使用初始训练集训练的模型相当或更好。该比例是训练样本保留比例，不是 Accuracy 或性能提升幅度；摘要未提供具体算法、评估指标、分数、数据划分及统计显著性信息，因此尚不能量化筛选收益或比较算法优劣。 该工作主要贡献在于情绪数据标注与训练样本筛选，而非摘要中可确认的新网络结构。复现需核对 EDA 与 EEG 的同步采集及预处理、标注与筛选规则、被试内训练测试划分，以及筛选是否仅作用于训练集；数据集名称、被试数量、开放获取条件、实验协议、消融及统计信息尚未验证。当前证据限于被试内情绪识别，不能据此推断跨被试、跨会话或其他 BCI 任务中的有效性。