识别用于 EEG 情绪识别的功能脑连接模式

基于摘要分析。该研究针对单通道 EEG 情绪分析难以刻画通道间功能连接的问题，探索不同被试间与情绪相关的共同连接模式，并提出关键子网络选择方法，从脑连接网络中提取拓扑特征用于情绪识别。 方法上，作者构建脑连接网络并提取 strength、clustering coefficient 和 eigenvector centrality 三类特征，分别表征节点连接强度、局部聚集程度及网络中的中心性。摘要涉及 coherence 连接分析和决策级融合，但具体连接估计流程、关键子网络选择准则、分类器及融合实现尚未验证。 作者报告，在公开情绪 EEG 数据集 SEED 的五折交叉验证中，观察到与不同情绪相关的共同连接模式：快乐情绪在额部 alpha、beta 和 gamma 频段的 coherence 连接显著较高；悲伤情绪对应顶叶及枕叶 delta 频段；中性情绪对应额部 delta 频段。这里的结果属于作者报告的功能连接关联，不能据此推断情绪的因果神经机制。 作者报告，在上述 SEED 五折交叉验证条件下，拓扑特征明显优于传统功率谱密度特征；决策级融合取得最高 Accuracy 87.04%，并称相较同一数据集上采用 differential entropy 特征的当时最先进结果提升 3.78%。摘要未明确该提升是相对百分比还是百分点，因此保留原文表述。 复现时需核对五折划分是否按样本、被试或会话进行，以及子网络选择是否仅使用训练折数据；这些是待核对事项，而非已确认的问题。虽然研究目标涉及不同被试的共同模式，摘要不足以将该结果认定为 Cross-subject 评估。被试数、预处理、频段定义、统计检验、对照协议和消融信息尚未验证。