GSCNN：基于卷积神经网络的性别敏感 EEG 情绪识别

基于摘要分析。本文研究 EEG 情绪识别中的性别相关个体差异，提出性别敏感卷积神经网络 GSCNN，通过性别信息提取和情绪相关频带加权改善分类。研究面向人机交互中的情绪识别，不能据此认定已验证实际 BCI 系统的有效性。 核心机制包括两个信息提取模块：性别信息提取器帮助网络在分类时学习个体差异；情绪信息提取器依据各频带的分类表现，为关键频带分配不同权重。摘要未说明性别信息如何输入、是否需要额外监督、两个模块如何融合，以及频带权重的计算与训练方式，这些实现细节尚未验证。作者将纳入性别因素作为方法动机，但其关于既有模型未涉及性别因素的表述仍需文献核对。 作者报告，在公开 EEG 情绪识别数据集 SEED 和 SEED-IV 上，识别 Accuracy 分别为 85.6% 和 63.3%。摘要以 Cross-subject 问题为研究背景，但未明确上述数值对应的数据划分、被试留出方式、会话设置、对照基线及统计汇总方法，因此不能将其直接视为已核实的 Cross-subject 性能，也不能据此量化相对基线的提升。 复现时应核对性别信息的使用方式、训练与测试被试的划分、频带权重的估计范围，以及性别分组表现与两个信息提取模块的贡献，以判断收益是否能泛化到不同被试和会话。实验协议、消融及统计信息尚未验证；代码可用性与完整复现条件也未由摘要提供。