用于 EEG 情绪识别的桥接图注意力图卷积网络与多尺度 Transformer

基于摘要分析。该研究针对多通道 EEG 情绪识别中图模型加深后出现的节点过平滑，以及局部通道关系难以充分表达全局依赖的问题，提出结合桥接图注意力图卷积网络（BGAGCN）与多尺度 Transformer（MT）的 BGAGCN-MT。 在图建模部分，BGAGCN 通过图注意力机制自适应组合各图卷积层的输出，将前面图卷积层的信息桥接至最后一层的注意力系数，以增强特征区分性。其核心思路不是仅依赖浅层图模型规避过平滑，而是利用不同层的输出改善深层图表示；具体连接形式、网络深度及注意力计算方式尚未验证。 在全局依赖建模部分，作者引入 Transformer，补充图网络主要关注局部 EEG 通道关系的限制。受不同时间尺度神经活动对应不同空间连接模式的发现启发，MT 对经过不同尺度 1D 卷积处理的多通道 EEG 信号施加多头注意力，以学习更细致的空间特征。摘要未提供卷积尺度、输入特征构造、两模块融合方式或训练目标的细节。 作者报告，BGAGCN-MT 在 SEED、SEED-IV 和 DREAMER 三个 EEG 情绪数据集的被试依赖与被试独立协议下取得了最先进的 Accuracy，并能有效缓解图神经网络的过平滑。摘要未给出具体 Accuracy、对照方法、数据划分或统计结果，因此尚不能核对领先幅度、跨被试泛化收益及各模块的独立贡献。 复现时需核对通道图构建、EEG 预处理、样本划分、过平滑的评估方式，以及桥接机制和多尺度 Transformer 的消融对照。实验协议、消融及统计信息尚未验证；代码可用性、计算成本和完整复现条件也尚未确认。摘要中的“高效”表述不足以据此判断推理速度或资源需求。