融合频域特征与脑连接特征的跨被试情绪识别

基于摘要分析。本文研究 EEG 跨被试情绪识别中频域（FD）特征与脑连接（BC）特征的融合，采用近似经验核映射融合支持向量机（AEKM-Fusion-SVM），分析两类特征在频段、情绪状态、通道及连接层面的互补性。 核心机制：频域特征描述单个局部脑区对不同情绪的激活模式，脑连接特征描述多个脑区参与情绪反应的协同关系。研究以两者的互补性为出发点，使用 AEKM 融合不同维度的特征并进行 SVM 分类，旨在应对 EEG 被试间变异下的跨被试识别问题。摘要未说明具体频域特征、连接估计方法、核映射构造及训练流程，这些内容尚未验证。 作者报告：在 SEED、BCI2020-A 和 BCI2020-B 数据集的跨被试情绪识别实验中，AEKM 融合提高了不同维度特征融合的有效性与效率；融合特征的 Accuracy 优于各单类特征，且优势在 beta、gamma 高频段更明显；融合特征显著提升了负性情绪的分类表现。摘要未提供具体 Accuracy、效率指标、差异幅度或显著性检验信息，不能据此量化收益，也不能直接比较各数据集的结果。 通道精简方面，作者报告，使用所选 27 个通道构建的融合特征，其表现与使用全部 62 个通道的融合特征相当，并认为这有利于实际 BCI 系统的搭建。该结果不等于已经完成真实场景部署验证；通道选择方法、选择是否限定于训练数据以及精简方案的跨被试稳定性均需核对。 复现重点是明确各数据集的被试划分、特征与连接计算方式、AEKM-Fusion-SVM 参数、单类特征对照及通道选择流程。实验协议、消融及统计信息尚未验证，尚不能判断性能提升在不同被试与采集条件下的稳定程度。