MSGM：用于 EEG 情绪识别的多尺度时空图 Mamba

基于摘要分析。该研究针对 EEG 情绪识别中多尺度时空动态难以充分建模、实时应用计算效率受限的问题，提出 Multi-Scale Spatiotemporal Graph Mamba（MSGM），结合多窗口时间分段、全局—局部空间图与 Mamba 状态空间建模，旨在兼顾情绪分类表现和推理效率。 机制上，MSGM 将 EEG 按不同时间尺度分段，以捕捉细粒度情绪波动；空间侧依据神经解剖先验构建全局—局部图，以表示分层脑连接关系。框架进一步使用多深度 Graph Convolutional Network（GCN）与 token 嵌入融合模块，并借助 Mamba 进行动态时空交互。摘要将该交互描述为线性复杂度，但复杂度对应的变量、图构建开销及整体计算成本尚未验证。相较于摘要所述的既有方法，其主要设计差异是同时处理时间粒度与空间层级，而非仅增加单一尺度的特征提取能力。 作者报告，在 SEED、THU-EP 和 FACED 数据集的被试独立情绪分类（跨被试）评估中，仅使用一个 MSST-Mamba 层的 MSGM 即优于所比较的基线，并在 NVIDIA Jetson Xavier NX 上实现毫秒级推理。摘要未给出具体分类指标、数值、基线名单、被试划分或推理计时设置，因此目前不能量化提升幅度，也不能据此确认完整在线系统的实时性。 复现时需核对多窗口长度与重叠方式、全局—局部图及神经解剖先验的定义、多深度 GCN 和 token 融合的具体实现，以及各数据集的预处理、标签设置和跨被试划分。还应核对各模块的独立贡献、随机种子与统计检验，以及设备端的输入规模、批大小、数值精度和计时范围。实验协议、消融及统计信息尚未验证，代码与运行环境的可获得性也尚未验证。该工作直接研究 EEG 情绪识别，但其结论不能自动外推至其他 BCI 任务。