通过学习 EEG 信号融合多尺度信息的流形进行情绪识别

基于摘要分析。本研究针对 EEG 情绪识别中融合特征冗余可能引发维度灾难和模型过拟合的问题，提出 manifold of multiscale information fusion（MMIF）策略，通过学习局部与全局脑激活模式的多尺度融合流形，获得情绪 EEG 信号的有效表示。 技术机制上，MMIF 的核心是将多尺度特征融合与流形表示学习结合，而非仅增加融合特征的维度。摘要称该策略可自动学习融合信息的最优流形，但未说明局部与全局模式如何定义、多尺度特征如何提取、流形学习采用何种目标及优化过程。这里的多模态融合围绕 EEG 特征展开，不能据此认定研究同时采集了其他生理信号。 作者报告，离线和在线 EEG 情绪识别实验均支持 MMIF 的有效性与可行性；分析实验还支持其判别能力和认知可解释性。不过，摘要未提供数据集、被试数量、情绪类别、被试内或跨被试划分、对照方法及具体指标，因此无法判断性能提升幅度、泛化范围或在线系统的实时开销。认知可解释性的证据形式也尚未验证，不能将其直接等同于已建立的神经机制解释。 该工作直接面向 EEG 情绪解码，并提出用于在线情感 BCI 的潜在应用方向。复现时需核对特征构造、融合与流形学习步骤，以及训练和在线推理的关系；尤其应确认特征学习是否限定于训练数据、在线评估的校准条件，以及融合和流形表示各自的贡献。实验协议、消融及统计信息尚未验证，现有摘要不足以确定其跨被试或跨会话适用性。