用于 EEG-fNIRS 情感识别的空间—频率超图神经网络

基于摘要分析。该研究针对 EEG-fNIRS 情感识别中固定频带难以适应被试间频率差异、成对图连接难以表达高阶脑网络关系的问题，提出 Spatial-Frequency Hypergraph Neural Network（SF-HGNN），联合建模频带内多通道协同、通道内跨频关系及跨模态互补信息。 方法包含四个环节：Dynamic Frequency Band Decomposition 自适应优化 EEG 与 fNIRS 的频带；Multi-scale Temporal Convolution 提取不同时间尺度的特征；Spatial-Frequency Adaptive Hypergraph Convolution 表达频带内跨通道空间协同及通道内跨频耦合；Cross-Modal Attention Fusion 融合两种模态的信息。其方法特点是将自适应频带分解与高阶关系建模结合，而不局限于预设频带和成对连接。具体频带约束、超边构建方式、损失函数及训练流程尚未验证。 作者在公开 ENTER 数据集上评估，数据包含 50 名被试及悲伤、快乐、恐惧、平静四类情感。作者报告，在 subject-dependent（被试依赖）与 subject-independent（被试独立）实验中，Accuracy 分别为 82.94% 和 68.85%。摘要未提供具体训练测试划分与验证流程，因此两项结果应分别按各自协议理解，不能直接视为同一条件下的性能对比。 作者报告消融研究和可视化分析支持各模块的有效性与模型可解释性，但摘要未给出具体对照、模块增益或可视化证据。复现时需核对信号预处理、EEG-fNIRS 时间对齐、数据划分、基线设置、消融及统计信息；上述细节尚未验证。作者将更大规模数据验证与跨被试域泛化列为后续方向，当前结果不宜外推为跨数据集或实际在线 BCI 场景中的已验证效果。