基于脑区知识的双流 Transformer 用于 EEG 情绪识别

基于摘要分析。该研究针对 EEG 情绪识别中电极位置偏移可能导致特征不稳定的问题，提出 Brain Region Knowledge based Dual-Stream network（BRKDSnet），通过双流架构融合时间、频谱与空间特征，并利用脑区划分先验将通道特征聚合为脑区特征。 核心机制是以脑区作为特征聚合单位，而非仅依赖单个电极通道的特征。作者认为，这种聚合有助于减轻消费电子设备佩戴过程中电极偏移所引入的噪声，学习更稳健的表征。标题将方法描述为双流 Transformer，但摘要未交代两条流的具体输入与分工、Transformer 的实现方式、脑区划分规则、聚合算子、损失函数及训练流程，相关细节尚未验证。 作者报告，在 SEED 和 SEED-IV 情绪识别数据集上的 Accuracy 分别为 97.81% 和 90.76%，并称相对已有工作分别提升 0.64%–3.57% 和 3.13%–11.39%（保留摘要原文表示；百分比与百分点含义尚未验证）。摘要未明确这些结果属于被试内、跨被试还是跨会话评估，也未提供数据划分及具体对照方法，因此目前不能据此判断跨被试泛化能力或直接比较不同协议下的性能。作者声称达到当时最优结果，其比较范围与条件仍需核对。 作者还报告，可视化分析中颞叶区域的 EEG 通道对分类贡献最大，并据此提出未来可穿戴应用的潜力；这属于模型分析结果，不能直接等同于颞叶情绪机制的因果证据，也不足以证明减少电极后的性能。 复现时需核对脑区与电极的映射、预处理和特征构建、数据划分、训练配置及基线协议。尤其应确认是否直接测试了电极偏移扰动，以及脑区聚合与双流结构各自的贡献。实验协议、消融及统计信息尚未验证，代码可用性亦尚未验证。