MASA-TCN：用于连续与离散 EEG 情绪识别的多锚点空间感知时序卷积网络

基于摘要分析。该研究同时面向 EEG 情绪状态的连续回归与离散分类，提出统一模型 MASA-TCN，以空间感知时序层学习电极间关系，并通过带注意力融合的多锚点模块学习动态时间依赖。研究重点不仅是情绪分类，也包括作者认为相对欠探索的情绪回归任务。 机制方面，MASA-TCN 以 Temporal Convolutional Networks（TCNs）为基础，核心设计包括空间感知时序层和多锚点模块：前者用于捕捉 EEG 电极之间的空间关系，后者通过注意力融合适应信号中的动态时间依赖。摘要未说明空间关系的具体表示、锚点的定义与构造方式，也未提供损失函数、训练流程或回归与分类任务的联合训练设置，因此“统一模型”不能直接理解为两类任务共享一次联合训练。 结果方面，作者报告，在两个公开数据集上的实验中，MASA-TCN 在 EEG 情绪回归和分类任务上均取得优于所比较最先进方法的结果。摘要未提供数据集名称、被试规模、指标、具体数值或对照方法，也未说明采用被试内、跨被试或跨会话协议，因而尚不能判断提升幅度及泛化范围。 复现时需核对电极空间信息的输入方式、时序分段与标签对齐、多锚点模块的配置，以及回归和分类各自的训练与评估流程。空间感知层、多锚点模块和注意力融合的独立贡献，需要结合全文消融验证；实验协议、消融及统计信息尚未验证。该研究直接涉及 EEG 情绪识别，但摘要中的结果不应扩展为对其他 BCI 任务或临床应用有效性的证明。