通过学习 EEG 脑网络中的判别性图拓扑实现有效情绪识别

基于摘要分析。该研究针对多通道 EEG 情绪识别中的空间网络特征提取与识别稳定性问题，提出 MESNP 模型，通过学习 EEG 脑网络中的判别性图拓扑，提取多种情绪相关空间网络拓扑模式，用于多类别情绪识别。 核心机制是将多通道 EEG 视为具有耦合关系的阵列信号，利用不同情绪状态对应的空间网络拓扑模式进行判别，而非仅依赖单通道特征。摘要未提供图构建方式、边权定义、拓扑学习目标、具体优化过程及分类器配置，这些实现细节尚未验证。该方法的阅读价值在于考察脑网络关系特征能否为情绪分类提供更稳定的表征；稳定性的具体定义与评估方式仍需核对全文。 离线评估使用 MAHNOB-HCI 和 DEAP 两个公开数据集，开展单被试与多被试条件下的四分类实验。作者报告，相较既有特征提取方法，MESNP 在两种条件下均显著提升多类别情绪分类表现，但摘要未给出离线分数、具体基线或统计检验信息。多被试条件不能直接视为 Cross-subject 泛化评估，其训练与测试是否隔离被试尚未验证。 在线部分构建了情绪监测系统，并招募 14 名参与者开展在线情绪解码实验；作者报告这 14 名参与者的平均在线 Accuracy 为 84.56%。摘要未明确在线任务类别数、训练与校准方式、数据划分、参与者间差异及在线对照，因此该结果不能与离线四分类结果直接比较。作者据此认为模型可用于情感 BCI（aBCI），但其对新被试、新会话及真实使用场景的适用性仍需验证。 复现需取得完整的预处理、图拓扑学习、特征提取和在线推理流程，并核对情绪标签定义及评估协议。实验协议、消融及统计信息尚未验证；摘要也未提供可确认的代码或权重信息。作者进一步提出该方法可用于强耦合阵列信号的特征提取，这一扩展用途在所给材料中尚无独立实验支持。