用于 EEG 情绪识别的原型对比学习与时序动态图卷积网络

基于摘要分析。该研究针对 EEG 情绪识别中的非平稳性和跨被试分布偏移，提出 PCL-TDGCN，将时序动态图建模与情绪类别原型对比学习结合，旨在同时提升情绪表征的判别能力与跨被试泛化能力。 作者将现有方法的局限概括为：静态功能连接图难以描述情绪过程中的神经交互时序变化，而仅强调全局特征对齐的域适应可能忽略情绪类别的语义结构。方法通过自适应全局 EEG 模式记忆机制建模时序动态脑网络；域内对比学习用于增强情绪状态表征的可分性，域间对比学习则通过语义感知的原型对齐缓解分布偏移。摘要未提供图连接更新规则、记忆读写方式、原型估计过程、损失具体形式及训练与推理流程，相关机制尚需全文核对。 作者报告，在 SEED、HIED、SEED-IV 三个公开数据集上，相较所比较的方法，subject-dependent 实验的 Accuracy 提升依次为 1.08%、6.53%、0.98%；subject-independent 实验的提升依次为 1.08%、7.51%、1.99%。这些是摘要所述的提升幅度，而非最终 Accuracy；原文未明确其表示相对百分比还是百分点，也未列出对应基线，因此不能据此还原绝对成绩或直接比较不同协议。 复现时应重点核对 subject-dependent 与 subject-independent 的具体划分、目标被试数据及标签是否参与训练、原型与记忆的更新范围，以及动态图和两类对比学习各自的贡献。被试数量、EEG 预处理、输入特征、实验协议、消融及统计信息尚未验证，代码与运行条件也尚未确认。上述方法直接面向 EEG 情绪识别，其在其他 BCI 任务中的有效性不能由这些结果推定。