用于基于 EEG 的跨被试情绪识别的进化集成学习

基于摘要分析。研究针对个体差异、EEG 非平稳性及情绪复杂性造成的跨被试情绪识别泛化困难，提出端到端框架 EPNNE（NN ensemble with EP），以神经网络（NN）为基础分类器，结合 evolutionary programming（EP，进化规划）优化策略构建集成方法。 机制与贡献：摘要明确的核心是将 EP 优化与 NN 集成结合，用于跨被试情绪识别；但 EP 的搜索对象、适应度函数、分类器组合方式，以及端到端训练流程尚未验证。因此，当前不能判断性能改善主要来自集成多样性、优化策略还是其他训练设计。 评估与结果：作者报告在公开数据集 DEAP、FACED、SEED 和 SEED-IV 上评估了该方法，并称其优于现有最先进的跨被试情绪识别方法。摘要未提供具体指标、数值、基线名称或被试划分；跨被试测试中是否使用目标被试数据、预处理与特征构建方式，以及实验协议、消融及统计信息尚未验证，不能据此量化收益或比较不同数据集上的表现。 局限与复现：复现前需核对 NN 架构、EP 搜索空间与预算、集成规模、训练与推理成本，以及划分和随机重复设置。作者将该框架的潜在用途延伸至个体情绪评估及治疗干预，但摘要中的情绪识别实验不构成临床有效性证据。