量化 EEG 情绪识别中的情绪模式：一项关于 EEG 个体差异的可解释性研究

基于摘要分析。该研究关注 EEG 个体差异如何影响情绪识别及情感 BCI（aBCI）的稳定性，通过分析个体、会话、情绪与试次信息，提出情绪模式量化方法及 Weight-based Channel-model Matrix Framework（WCMF），以应对个体情绪模式差异带来的建模限制。 研究使用 SEED、SEED-IV、SEED-V、RCLS 和 MPED 五个数据集，结合样本空间可视化、聚集现象量化与能量模式分析，考察不同信息因素对 EEG 特征分布的影响。作者报告，从情绪差异特征的分布模式中识别出 Cross-Session Consistency of Individual Emotional Patterns（CCIEP，个体情绪模式的跨会话一致性）和 Individual Emotional Pattern Difference（IEPD，个体情绪模式差异），并认为它们是影响情绪识别稳定性的主要因素。这一结论的效应量及证据强度尚需全文核对。 方法上，作者提出 Correction T-test（CT）权重提取方法以量化情绪模式，再利用个体情绪模式及试次信息构建 WCMF。摘要将该框架的目标定位为缓解 IEPD 对传统建模方式造成的限制，但未提供 CT 的计算公式、权重作用位置、通道与模型的组合方式，以及训练和推理时所需信息，因此尚不能据此还原具体实现。 作者报告，在跨数据集任务的两个实际场景实验中，WCMF 相较传统方法取得更稳定且更优的表现。摘要未给出场景定义、源域与目标域组合、被试及会话划分、对照方法或具体指标，不能量化改进幅度，也不能将跨会话一致性的分析直接视为跨会话识别性能验证。 复现时需核对情绪标签在不同数据集之间的对应关系、CT 权重的估计范围、个体与试次信息在目标场景中的可获得性，以及稳定性的度量方式。实验协议、消融及统计信息尚未验证；代码与实现细节也需进一步确认。