DGC-Link：用于 EEG 情绪识别的双门控 Chebyshev Linkage 网络

基于摘要分析。该研究针对 EEG 情绪识别中的区域关联、局部与长程节点连接以及多通道特征建模问题，提出双门控 Chebyshev Linkage 网络 DGC-Link，结合区域关联特征提取、不同阶信息流调节与深层多通道表示学习。 机制上，模型包含三个主要组件：Chebyshev Linkage（CL）模块用于提取区域关联特征；双门控模块用于调节不同阶信息的流动；深层网络用于提取多通道特征并增强表示能力。其可核对的研究重点是区域关联建模与不同阶信息的门控组合。摘要未说明节点与连接的具体构建方式、Chebyshev 阶数、门控计算、网络结构、损失或训练流程，这些内容尚未验证。 作者报告在 SEED、DREAMER 和 MPED 上进行了验证：在 SEED 使用 differential entropy 特征时，Accuracy 为 96.43%；在 DREAMER 的 valence、arousal 和 dominance 分类任务上，Accuracy 分别为 98.58%、97.62% 和 98.01%；在 MPED 的三分类与七分类任务上，Accuracy 分别为 78.48% 和 44.93%。摘要未明确这些结果属于被试内、跨被试或跨会话协议，也未给出数据划分及具体对照基线，因此不能据此比较不同数据集或协议下的性能。 作者报告组件消融支持各部分的有效性，并称识别性能优于所比较的先进方法；消融幅度、基线设置、统计信息及完整实验协议尚未验证。复现前需核对区域与通道映射、输入特征预处理、连接构建、模型配置及训练测试划分，尤其要明确性能对应的被试泛化条件。当前证据支持将其作为 EEG 情绪识别的结构化建模方法阅读，但不能外推为其他 BCI 任务或真实部署场景中的已验证收益。