用于情绪识别的多尺度时频空 EEG 学习：结合模态特异与模态不变表征

基于摘要分析。该研究针对 EEG 情绪模式在时间、频带、电极及脑区间的变化，以及不同生理模态中特异与共享情感信息的融合问题，提出以 EEG 为中心的多模态情绪识别框架 GMSI-Net。核心贡献是将多尺度 EEG 编码、受控跨模态信息交互和共享表征对齐结合起来。 技术上，temporal-spatial-spectral-region（TSSR）编码器建模多尺度时间—通道模式、微分熵特征及从局部到全局的脑区关系。模态特异表征（MSR）分支通过双向跨模态注意力与可学习门控控制信息传递，并保留各模态特有线索；模态不变表征（MIR）分支学习共享情感表征，以自适应加权对比损失实现跨模态对齐。外周生理信号由独立的多尺度 Conv-Transformer 编码器处理；摘要未列明具体外周信号类型。 作者报告，在 DEAP 与 MAHNOB-HCI 上采用被试内随机十折交叉验证：DEAP 的 valence 和 arousal 结果分别为 96.21（1.47）与 96.41（1.60），MAHNOB-HCI 分别为 94.10（2.86）与 94.48（3.77）。摘要未明确这些数值的指标名称、单位及括号内统计量含义，因此不能直接标为 Accuracy 或解释为均值与标准差。作者据此认为，结合 EEG 与互补生理信息有助于情绪识别，但摘要未提供具体对照差值。 复现时需核对信号预处理、分段与随机折划分单位、标签定义、门控及对比损失实现，以及各分支相对 EEG 单模态基线的贡献。上述实验协议细节、消融及统计信息尚未验证；被试内随机十折结果不能直接作为跨被试、跨会话泛化或实际 BCI 有效性的证据。