用于跨被试 EEG 情感识别的全局—区域抗噪网络

基于摘要分析。该研究针对 EOG、EMG 等噪声干扰下的跨被试 EEG 情感识别，提出全局—区域抗噪网络 GRANet，将抗噪特征学习直接用于情感识别任务，而非依赖独立自编码器进行信号重建。 方法上，GRANet 采用加噪训练策略和基于相似性的 noise-robust（NR）损失，引导模型从含噪 EEG 中提取抗噪特征。模型包含三维全局卷积神经网络（3D-GCNN）和三维区域卷积神经网络（3D-RCNN），分别学习全局与区域抗噪特征。摘要未披露噪声构造方式、相似性的计算对象、NR 损失公式、输入表示及特征融合方式，这些机制细节尚未验证。 作者报告，在 SEED、SEED-IV、SEED-V 和 DEAP 四个基准数据集的跨被试评估中，GRANet 相比所选先进方法取得更优表现；其中，在 SEED-V 上相对最佳基线的平均 Accuracy 提升，摘要表述为 20.97%。该数值究竟指相对提升还是绝对百分点差，摘要未明确，不能据此换算最终 Accuracy 或跨数据集比较增益。 阅读与复现时需核对跨被试划分、预处理、噪声来源及强度、基线训练条件，以及加噪策略、NR 损失和全局—区域分支各自的贡献。实验协议、消融及统计信息尚未验证。作者将该方法定位为应对真实场景 EEG 噪声的方案，但摘要未明确区分人工加噪与真实采集伪迹的评估条件，因此其实际部署鲁棒性仍需进一步验证。