面向 SSVEP 型 BCI 情绪识别的效价—唤醒度解耦表征学习

基于摘要分析。该研究面向 SSVEP 型 BCI 中的情绪识别，提出 Valence-Arousal Disentangled Representation Learning（VADL），以效价与唤醒度的解耦表征缓解判别性潜在表示泛化方向偏离情绪识别目标的问题。研究目标是改善 BCI 交互过程中的情绪状态检测，而非直接提高 SSVEP 指令解码性能。 方法借鉴经典二维情绪模型，在潜在空间中分别解耦效价和唤醒度信息，并利用 structured state space duality model 提取全局情绪特征。作者还提出 Multisubject Gradient Blending 训练策略，在训练过程中动态、分别调整 VADL 中重建任务与判别任务的学习进度。摘要未说明解耦约束、损失函数、梯度混合规则及模型具体结构，这些实现细节尚未验证。 作者报告构建了包含 23 名被试的数据库，并在其中同时诱发情绪状态与 SSVEP；作者报告 VADL 在该研究实验中优于现有先进基准算法，但摘要未提供具体指标、数值或基线名称。被试内或跨被试评估方式、训练测试划分、情绪标签获取方式、刺激设置及统计信息尚未验证，因此目前不能量化性能提升，也不能确认其跨被试泛化范围。 复现时需核对效价与唤醒度解耦的操作定义、各任务学习进度的调节机制，以及相应消融与数据划分协议。数据库、代码和训练配置的公开情况尚未验证；摘要也不足以判断情绪识别是否满足实时交互的延迟要求。