MIND-EEG：用于 EEG 情绪识别的带离散码本的多粒度整合网络

基于摘要分析。该研究面向 EEG 情绪识别，针对空间结构建模过于简单、复杂节点交互刻画不足，以及动态脑网络与可泛化判别表征难以兼顾的问题，提出 MIND-EEG，通过多粒度空间信息整合和离散码本构图学习脑网络表征。 机制方面，框架包含 Global State Encoder、Intra-Regional Functionality Encoder 和 Inter-Regional Interaction Encoder，分别用于全局状态、区域内功能及区域间交互的编码，以联合建模不同空间粒度的脑活动。摘要未说明脑区划分依据、节点与连接的具体定义，以及各编码器的内部结构和融合方式，这些实现细节尚未验证。 离散码本机制通过 vector quantization 构建网络结构。作者将其作用描述为形成紧凑且有意义的脑网络表征，同时缓解过平滑并增强模型泛化。这一设计将多粒度空间建模与离散化网络表征结合，但码本量化对象、更新方法、训练损失，以及动态连接如何映射到离散表征，仍需正文核对。 作者报告，广泛的比较与分析支持 MIND-EEG 的有效性；摘要未提供数据集、被试数、被试内或跨被试等划分协议、对照方法、具体指标及数值，因此不能据此判断性能提升幅度，也不能将作者所述泛化能力直接等同于跨被试、跨会话或跨数据集泛化。实验协议、消融及统计信息尚未验证。 作者声明源代码公开，并提供匿名代码入口；代码内容、环境依赖和复现完整性尚未核验。复现时值得重点核对多粒度编码与离散码本各自的贡献，以及支持缓解过平滑和增强泛化结论的直接证据。