EEG 相关性分析引导的图局部增强特征学习用于情绪识别

基于摘要分析。该研究针对 EEG 情绪识别中电极相关性与不同脑区激活差异的建模问题，提出 EEG correlation analysis-guided graph local enhanced feature learning network（CAGLE-net），将相关性引导的图结构学习、脑区局部特征增强和交叉注意力融合结合，用于提取更具判别性的情绪表征。 核心机制：作者以相关性分析引导动态有向连接矩阵的学习，捕获 EEG 的拓扑特征；随后通过局部增强嵌入层，为各脑区生成增强特征，再利用交叉注意力融合这些局部特征。方法的主要思路是同时建模电极间关系与脑区局部差异，而非仅依赖整体 EEG 特征。摘要尚未明确相关性计算方式、连接方向性的定义、动态矩阵的更新粒度、脑区划分依据，以及具体损失和训练流程；不能将相关性或有向连接直接解释为因果关系。 结果与证据边界：作者报告，在 SEED 数据集上的实验中，CAGLE-net 优于现有基线方法。摘要未提供具体指标、分数、基线名称或数据划分，因此尚不能判断提升幅度，也无法确定该结论对应被试内、跨被试还是跨会话协议。实验协议、消融及统计信息尚未验证。 复现时值得核对相关性估计及图学习所使用的数据范围、各模块的独立贡献，以及不同被试和会话下连接结构的稳定性。全文、实现细节和代码可用性尚未验证；目前材料支持将其视为 EEG 情绪识别方法，不能据此推断其对其他 BCI 任务的有效性。