用于被试内与跨被试 EEG 情绪识别的时频图卷积神经网络模型

基于摘要分析。本文研究 EEG 情绪信息在频率、时间和空间维度分布稀疏，以及个体差异影响情绪识别的问题，提出 Temporal-Spectral Graph Convolutional Network（TSGCN），结合不同时窗的神经振荡变化与脑区间拓扑结构，并引入标签混淆约束和域对齐机制。 在机制上，TSGCN 旨在联合提取时间、频率与空间维度的高层信息。作者使用 Minimum Category Confusion（MCC）损失，以减轻主观情绪评分与预定义标签之间的不一致；同时提出 Deep and Shallow feature Dynamic Adversarial Learning（DSDAL），用于计算源域与目标域的距离，以改善跨被试差异下的泛化。摘要未提供图结构构建方式、时频特征表示、MCC 数学形式及 DSDAL 的具体优化流程，这些实现细节尚未验证。 作者报告，在公开数据集上的 EEG 情绪识别实验中，TSGCN 优于所比较的先进方法；作者还报告，消融研究支持混合神经网络及所提方法对性能和鲁棒性的贡献。标题覆盖被试内与跨被试任务，但摘要未列出数据集名称、被试数量、数据划分、评价指标、具体分数与对照基线，因此不能量化其优势，也不能比较不同协议下的结果。 复现时需核对源域与目标域的定义、目标被试数据在训练中的使用方式、标签与主观评分的对应处理，以及各模块的独立贡献。实验协议、消融及统计信息尚未验证；代码和完整训练配置的可获得性亦尚未确认。