EGNN-C+：可解释的演化粒度神经网络及其在弱监督 EEG 数据流分类中的应用

基于摘要分析。本文针对非平稳、存在个体差异的 EEG 情绪数据流分类，提出演化粒度神经网络分类器的改进增量学习算法 eGNN-C+，以双边界超盒表示粒度，在数据覆盖、噪声抑制与漂移适应之间进行协调。 核心机制是分别调整内外边界：外盒增强数据覆盖与噪声抑制的稳健性，内盒保持灵活以捕捉漂移。分类器从零开始演化，可在线纳入新类别，并进行局部增量特征加权。摘要未交代具体更新公式、弱监督标签的可用性与到达方式，以及新类别识别的触发条件，这些机制尚需全文核对。 应用使用一个公开数据集，包含 28 名参与者玩电脑游戏时采集的 EEG；不同游戏对应无聊、平静、恐惧或喜悦四种主导情绪。研究从 EEG 的 Fourier 频谱提取特征，考察单个电极、时间窗长度和频带对用户无关模型的分类准确率与可解释性的影响。摘要未提供数据集名称，也未明确训练与测试的被试划分，因此不能直接认定为特定 Cross-subject 评估协议。 作者报告，在该时变四分类问题中，使用 10 秒时间窗获得 Accuracy 81.7%，并报告可解释性数值 0.002933；后者的定义、量纲及优劣方向尚未验证。作者报告双侧脑半球均对分类有贡献，尤其是颞区 T8 与顶区 P7，额区及枕区电极也有贡献；Alpha（8–13 Hz）、Delta（1–4 Hz）、Theta（4–8 Hz）与情绪类别的对应程度依次较高。这些观察属于该任务与数据条件下的结果，不宜直接视为通用情绪标志物。 复现时需核对 EEG 预处理与频谱特征构造、数据流顺序、被试及时间窗划分、标签供给协议、超盒更新参数和可解释性计算方式。对照基线、消融及统计信息尚未验证；尤其需要确认报告结果如何支撑无需被试特定信息的应用目标。