用于 EEG 情绪识别的连接不确定性图卷积网络

基于摘要分析。本文研究多通道 EEG 情绪识别中的长路径判别特征学习、通道及频带拓扑关系的不确定性，以及数据内在质量与标签之间的对应问题，提出 Connectivity Uncertainty GCN（CU-GCN），将基于分布的不确定性建模、图卷积特征聚合与 graph mixup 结合。 机制方面，作者采用基于分布的不确定性方法表示 EEG 的空间依赖及时间—频谱关联，并在 Graph Convolutional Network（GCN）架构中自适应地为功能性聚合节点特征赋权，以捕获长路径信息并缓解过平滑。graph mixup 用于增强潜在连接边，并减轻噪声标签问题。作者还以单向学习方式将不确定性学习与深层 GCN 权重结合；具体分布参数化、连接构建方式、单向学习的梯度路径、损失函数及训练流程均需全文核对，不能仅凭摘要确定实现细节。 评估方面，作者在 SEED 和 SEEDIV 上开展情绪识别实验，报告相较既有方法取得正向且显著的改进，并报告消融支持各组件对整体性能的贡献。摘要未提供具体指标、数值、对照方法或显著性检验细节，也未说明采用被试内、跨被试或跨会话协议，因此无法判断增益大小及其适用范围，亦不能据此认定跨被试泛化能力。 复现时应重点核对 EEG 预处理、节点与频带定义、图连接及不确定性的学习方式、graph mixup 的操作对象与标签处理，以及数据划分和模型选择流程。实验协议、消融及统计信息尚未验证；代码可用性与复现资源要求也尚未验证。该工作的直接研究对象是 EEG 情绪识别，摘要中的结果不应外推为其他 BCI 任务上的已验证效果。