面向 EEG 情绪识别的功能连接模式学习

基于摘要分析。本文研究 EEG 情绪识别中的两个问题：现有方法对功能连接模式的利用可能未充分区分具体情绪，且 EEG 非平稳性可能使模型学习时段特征而非情绪特征。作者提出功能连接模式学习网络 FCPL，旨在捕捉个体特征与情绪特异的连接结构，同时减少时段相关变化。 机制方面，FCPL 包含 coefficient branch、图构建模块和 period domain adversarial module，摘要将其作用分别描述为捕捉个体特征、学习具体情绪的连接模式和抑制时段变化。其研究重点是从粗粒度的情绪相关连接转向细粒度的情绪区分。连接如何估计、图如何构建、系数如何参与计算，以及时段域的定义、对抗损失和训练流程，均需全文核对，不能仅凭模块名称确定实现。 结果方面，作者报告：MPED 七分类任务在被试内／跨被试实验中分别为 42.04%／28.81%；SEED 在被试内／跨被试实验中分别为 97.45%／89.88%；DREAMER 的 valence／arousal 任务在被试内实验中分别为 95.98%／96.19%，在跨被试实验中分别为 67.90%／65.60%。摘要未明确这些百分比对应的指标名称，因此不能直接标记为 Accuracy。作者称结果达到 state-of-the-art，但具体对照方法、数据划分、预处理及统计不确定性尚未验证，不宜跨数据集或跨协议直接比较。 复现时应重点核对情绪特异图与个体特征的学习方式、时段域划分及其与训练／测试划分的关系，并检查各模块消融是否支持相应机制解释。实验协议、消融及统计信息尚未验证；代码、训练配置和复现资源的可得性也尚未确认。摘要支持其作为 EEG 情绪识别方法的阅读价值，但尚不足以确认其对其他 BCI 任务或在线使用场景的有效性。