使用 EEG-EDA 耦合与可解释分类器评估情绪效价状态

基于摘要分析。该研究针对情绪分类中较少显式建模中枢与外周生理信号相互作用的问题，利用 EEG 与皮电活动（EDA）的耦合特征评估情绪效价状态，并通过 SHAP 分析特征对分类结果的贡献。 研究使用公开 DEAP 数据库中的 32 名被试数据。方法先将 EEG 分解为不同频带，将 EDA 分解为相位性与紧张性成分，再提取两项 EEG 特征、三项 EDA 特征和两项 EEG-EDA 耦合特征，输入 Random Forest（RF）、Linear discriminant analysis 和 Adaptive boosting 三类分类器。摘要中的 EEG 频带列表存在文字缺漏，明确列出 θ、α、β，结果部分另提及 γ；完整频带设置及耦合特征的数学定义尚未验证。 作者报告，在所比较的特征组合与分类器中，EEG、EDA 和 EEG-EDA 耦合特征联合使用 RF 时表现最佳，F1-score 为 68.21%。但摘要未说明该结果对应 Within-subject 还是 Cross-subject 评估，也未交代数据划分、效价类别定义及 F1 的平均方式，因此不能据此判断跨被试泛化能力或与其他研究直接比较。作者还报告，额叶电极 γ 频带相关的 SHAP 分析呈现较好的效价状态区分；这属于模型特征归因结果，不能直接解释为生理因果关系。 该工作的可核对价值在于检验显式 EEG-EDA 耦合是否提供超出两类信号特征联合使用的额外信息。复现需确认预处理与信号同步、特征计算、分类器设置，以及不同特征组合的对照结果；实验协议、消融及统计信息尚未验证。作者提出可进一步用于临床情绪状态评估，但摘要未提供临床样本或临床验证结果，不能将该设想视为已证实的临床用途。