考虑传感器空间配置的 EEG 分类

基于摘要分析。该研究关注 EEG 分类中传感器空间布局的利用，提出按 EEG 通道位置构建类图像二维表示，并与忽略空间布局的一维表示比较，考察其在社交焦虑障碍分类和情绪识别中的作用。 表示机制：对照方式将各通道的频带信息拼接为一维表示；所提方式以 EEG 通道位置组织二维表示，使分类模型能够利用传感器的空间配置。摘要未说明具体频带、特征计算方法、二维坐标映射、空缺位置处理或归一化方式，因此不能将其进一步描述为某种已确定的空间插值或拓扑建模算法。 任务与结果：情绪识别使用 DEAP；社交焦虑障碍分类的数据来源及被试构成尚未验证。在这两项任务及所考察的机器学习算法范围内，作者报告二维表示相较一维表示持续取得“5–8% higher accuracy”。摘要未明确该表述指相对百分比提升还是绝对百分点差，也未提供被试内、跨被试或其他划分协议，不宜据此作跨协议比较。作者报告 Convolutional Neural Networks 的表现优于 Support Vector Machine 和 k-Nearest Neighbors，但摘要没有给出各算法的具体 Accuracy。 验证重点：复现需核对两种表示是否使用相同频带信息、预处理及数据划分，并明确 DEAP 的情绪标签定义、模型训练设置和评价统计。实验协议、消融及统计信息尚未验证。现有材料支持其作为 EEG 空间表示方法的研究价值，但不能据此认定其已具备跨被试泛化能力、跨会话稳定性或临床诊断效用。