基于从局部脑区到全脑的层次化时空学习 Transformer 的情绪识别

基于摘要分析。该研究针对 EEG 情绪识别中脑区空间结构与动态时间依赖难以联合刻画的问题，提出 R2G-STLT，通过从电极级到脑区级的层次化时空 Transformer 学习局部与全局表征。 核心机制包含两个阶段：regional spatial–temporal transformer（RST-Trans）编码器在电极级获取空间信息与上下文依赖，形成局部脑区时空特征；global spatial–temporal transformer（GST-Trans）编码器进一步提取全局时空特征，以刻画不同脑区对情绪识别的影响。摘要明确说明，GST-Trans 使用多头注意力捕获脑区之间的长程时空信息。其方法特点是显式区分脑区内与脑区间的建模层级，而非仅将所有电极作为同一层级处理；具体脑区划分、特征聚合与编码器衔接方式尚未验证。 评估方面，作者报告在 DEAP、SEED 和 SEED-IV 的各频带上开展被试独立（subject-independent）实验，并报告 R2G-STLT 优于若干 state-of-the-art 方法。摘要未提供具体指标、分数、基线名称或数据划分细节，因此不能量化优势，也不能直接比较不同数据集或频带下的结果。 复现与证据核验应关注电极到脑区的映射、输入特征与预处理、频带设置、被试独立划分及训练配置，并核对层次化设计和多头注意力各自的贡献。模型规模、损失函数、代码可用性、消融及统计信息尚未验证；现有材料也不足以判断其在跨会话、跨数据集或不同电极布局下的泛化能力。该研究直接面向 EEG 情绪识别，但摘要中的识别结果不等同于在线 BCI 系统有效性的验证。