结合课程学习的时空 Transformer 用于基于 EEG 的情绪识别

基于摘要分析。本文针对 EEG 情绪识别中的非平稳时空模式整合与情绪强度变化适应问题，提出 SST-CL，将时空 Transformer 与情绪强度感知课程学习结合，旨在同时改善信号表征与训练样本组织。 机制上，空间编码器建模通道间关系，时间编码器通过窗口注意力捕获多尺度依赖，以联合提取 EEG 的空间相关性和时间动态。课程学习采用基于双重难度评估的动态样本调度，使训练从高强度情绪状态逐步过渡到低强度状态。摘要未说明两类难度的具体定义、情绪强度的标注或估计方式、调度更新规则及损失函数，这些细节尚未验证。 作者报告，在三个基准数据集上，该方法在不同情绪强度水平下取得了其所称的最先进性能，并报告消融实验支持空间与时间编码组件及课程学习机制的必要性。不过，摘要未提供数据集名称、被试数量、被试内或跨被试等评估协议、划分方式、对照基线、指标与数值，因此不能据此量化提升或判断跨被试、跨会话泛化能力；实验协议、消融及统计信息尚未验证。 复现时应优先核对情绪强度信息的获取条件、双重难度评估与动态调度的可实现性，以及在相同划分和训练预算下各组件的独立贡献。研究对象是 EEG 情绪识别，摘要所述结果尚不能直接视为真实交互场景中的 BCI 适应性验证；全文与代码可用性尚未验证。