使用 RASM 和 LSTM 的 EEG 情绪识别

基于摘要分析。该研究针对 EEG 情绪识别中时间、空间与频率特征较少被联合考虑的问题，提出以 RASM 描述频率—空间特征、以 LSTM 建模时间相关性的识别方法，并在 DEAP 上开展 trial-level 情绪识别评估。 技术机制上，RASM 承担 EEG 特征提取，LSTM 作为分类器利用信号的时间相关性，核心思路是将频率—空间表征与时间建模结合。摘要未展开 RASM 的定义、计算方式及频段与通道配置，也未说明 LSTM 的结构、输入序列组织、损失函数或训练细节，这些内容尚未验证。 作者报告，在 DEAP 的 trial-level 情绪识别任务中，该方法平均 Accuracy 为 76.67%，并称其在所比较的多项 DEAP 相关研究中排名第一。摘要未明确情绪标签与类别设置、平均方式，以及评估属于被试内还是跨被试，也未给出训练与测试划分、具体对照方法及其协议。因此，这一结果仅能作为作者在所述任务上的报告，不能据此确认不同研究之间的直接可比性或实际应用性能。 复现时需核对 EEG 预处理、RASM 特征计算、时间序列与 trial-level 标签的对应方式、数据划分及对照设置。实验协议、消融及统计信息尚未验证；尚不能判断频率—空间特征和时间建模各自的贡献，或模型在跨被试、跨会话条件下的泛化能力。该研究直接涉及 EEG 情绪识别，但摘要结果不等同于在线 BCI 应用有效性的证据。