EmT：用于泛化跨被试 EEG 情绪识别的新型 Transformer

基于摘要分析。该研究针对 EEG 情绪解码中偏重空间与短时序模式、对长时程情绪认知上下文建模不足的问题，提出 emotion transformer（EmT），用于泛化跨被试 EEG 情绪分类与回归。其核心思路是先构建时序 EEG 特征图，再将图表征转换为 token，通过 Transformer 学习时间上下文。 技术机制：temporal graph construction（TGC）模块将 EEG 信号转换为一系列 EEG 特征图；residual multi-view pyramid GCN（RMPG）模块为各特征图学习动态图表征，并将每张图的表征融合为一个 token；temporal contextual transformer（TCT）模块利用两类 token mixer 建模时间上下文；最后由 task-specific output（TSO）模块生成分类或回归输出。摘要强调将神经生理先验融入网络，但先验如何落实到图构建、图连接或其他结构中，以及两类 token mixer 的具体机制，尚未验证。 结果与证据范围：作者报告，在四个公开数据集上的 EEG 情绪分类和回归实验中，EmT 的结果优于基线方法。摘要未提供数据集名称、被试数、评价指标、具体数值或基线清单，也未说明跨被试划分与“泛化”的具体评估方式，因此不能量化增益或据此判断跨数据集能力。 复现与核对重点：摘要提供了代码地址，但代码内容与运行条件尚未验证。进一步阅读应核对时间窗与图构建规则、分类和回归的训练目标、被试划分及预处理拟合范围，并检查 RMPG、TCT 与长时程上下文的消融结果，以区分图表征和时间建模的贡献。实验协议、消融及统计信息尚未验证。