基于深度强化学习的无监督时间感知采样网络用于 EEG 情绪识别

基于摘要分析。该研究针对 EEG 情绪识别中以单一试次标签覆盖全部时间点、难以反映情绪动态变化的问题，提出时间感知采样网络 TAS-Net，通过无标签深度强化学习筛选关键情绪片段，再进行无监督聚类。其主要贡献是将连续 EEG 内的片段选择作为显式学习任务，而非将整个情绪诱发试次视为同质输入。 机制上，作者将关键情绪片段挖掘建模为 Markov 决策过程。时间感知智能体接收特征提取器生成的深度特征，输出逐样本重要性分数；随后依据这些分数保留 top-X 个情绪相关连续 EEG 片段，舍弃其余部分，并将保留片段送入超图解码模型完成无监督聚类。摘要明确称智能体训练不使用标签信息，但未给出状态、动作、奖励函数、特征提取器训练方式及超图构建细节，尚不能据此判断无标签学习信号如何与情绪信息对应。 作者报告在 SEED、DEAP 和 MAHNOB-HCI 三个公开数据集上，采用留一被试交叉验证进行跨被试情绪识别评估，结果优于此前的无监督情绪识别方法。摘要未提供具体指标、数值、对照方法或不确定性，因此不能量化提升，也不能将这一结论扩展到被试内、跨会话或跨数据集协议。 复现时需核对 top-X 的设置与片段连续性约束、强化学习奖励的来源、聚类输出与情绪类别的评估对应方式，以及特征提取和片段筛选是否严格遵循留一被试划分。还需验证筛选模块是否相较全试次输入或其他采样策略带来独立收益，以及其对 EEG 噪声和被试差异的敏感性。实验协议、消融及统计信息尚未验证；作者提出的动态、无标签情境下情感 BCI 应用潜力，尚不能视为在线系统有效性的证据。