用于跨被试 EEG 情绪识别的多尺度双曲对比学习

基于摘要分析。该研究针对个体 EEG 差异导致的跨被试情绪识别困难，提出 Multi-Scale Hyperbolic Contrastive Learning（MSHCL），利用事件相关性学习被试不变表示。其核心贡献是结合情绪与刺激两个尺度的对比学习，在双曲空间中建模 EEG 模式的层级关系。 机制方面，摘要明确指出 MSHCL 在情绪尺度和刺激尺度分别使用对比损失，旨在捕获复杂 EEG 模式并缓解被试间差异。但事件相关性的具体定义、正负样本构造、双曲空间表示方式、两类损失的组合及训练与推理流程尚未验证，不能仅凭摘要判断各组件的独立作用。 结果方面，作者报告，在跨被试情绪识别协议下，SEED 三分类任务的 Accuracy 为 89.3%，MPED 七分类任务为 38.8%，FACED 二分类与九分类任务分别为 77.0% 和 45.7%。这些结果对应不同数据集和类别设置，不能直接横向比较。作者称方法优于其他基线，并认为结果支持其学习被试不变表示的有效性；摘要未提供基线名称、具体差值或表示分析证据，相关结论仍需结合全文核对。 复现时需重点核对被试划分、刺激在训练与测试间的组织方式、预处理及输入表示，以及双尺度损失和双曲空间相对其他设计的对照结果。实验协议、消融及统计信息尚未验证，代码与运行条件也尚未确认。当前证据支持将其作为跨被试 EEG 情绪识别方法进一步阅读，不宜扩展为其他 BCI 任务中的已验证效果。