用于跨被试、跨人群 EEG 情绪解码及模型衍生空间—频谱神经特征的图学习

基于摘要分析。研究针对跨被试 EEG 情绪解码中的个体差异与空间—频谱结构保留问题，提出 differential graph Transformer 模型 EmoDiPyraTrans，并结合跨人群评估与模型衍生候选特征分析，探索解码泛化能力及可解释性。 方法以时序相对功率谱密度图为输入，整合自适应图递归、差分注意力、金字塔融合及分布正则化。摘要未给出图构建规则、各模块具体实现、正则化目标及训练细节，尚不能据此判断各机制的独立贡献。 作者报告，在 SEED、FACED、MAHNOB HCI、DEAP 和 DREAMER 的评估中，模型在所比较方法中取得最高的被试平均 Accuracy 与正类 F1；其中 SEED 上两项指标均达到 0.928。研究面向跨被试解码，但摘要未展开具体被试划分、验证流程与基线配置，结果需在对应协议下核对。 在 DEP EEG 的正性情绪与中性情绪分类中，作者报告健康对照人群内部评估的 Accuracy 为 0.802，抑郁参与者人群内部为 0.704；健康人群到抑郁人群迁移为 0.591，混合人群开发设置为 0.581。这些设置不能视为相同协议直接排名，但提示跨人群应用是需要单独验证的泛化问题；各设置内部是否采用跨被试划分尚待核对。 作者报告，SEED 补充分析显示分布式空间权重与以 alpha 频段为中心的频谱偏好，平均使用六个通道的配置仍保留接近完整配置的性能。这里的特征属于模型衍生候选解释，不能直接等同于已验证的生理标志物；通道选择流程、性能差值、特征稳定性及独立验证尚未明确。摘要提供代码仓库，但代码可运行性、实验协议、消融及统计信息尚未验证。