通过学习 EEG 信号多尺度融合信息的流形进行情绪识别

基于摘要分析。该研究针对 EEG 情绪识别中融合特征冗余可能引发维度灾难与过拟合的问题，提出 manifold of multiscale information fusion（MMIF），通过学习局部与全局脑激活模式的多尺度融合流形，获得情绪 EEG 的有效表示。 机制上，MMIF 将多尺度 EEG 特征融合与表示学习结合，目标是在融合局部和全局信息的同时减少冗余、保留情绪判别信息。摘要使用“多模态特征”表述，但未明确其具体构成，不能据此认定研究融合了 EEG 以外的传感模态。流形学习的目标函数、优化方式、特征提取方法及表示维度尚未验证，也不能将其直接等同于黎曼几何方法。 作者报告，离线与在线 EEG 情绪识别实验均支持 MMIF 的有效性及其用于实时情绪解码系统的可行性；分析实验还支持其判别能力与认知可解释性。摘要未提供数据集、被试数、情绪任务、被试内或跨被试划分、对照方法及定量指标，因此无法判断提升幅度、跨被试泛化能力，或在线系统的延迟与稳定性。“实时可行”不应被扩展为已验证的实际部署效果。 全文核对的重点是：多尺度与局部／全局脑激活模式如何定义，流形表示是否确实减少冗余，以及认知可解释性结论由何种分析支撑。复现还需确认特征处理流程、训练与测试划分、在线评估协议及实现资源；实验协议、消融及统计信息尚未验证。该工作直接面向 EEG 情绪识别与在线情感脑机交互，但现有材料不足以推断其对其他 BCI 任务的有效性。