基于 EEG 与外周生理信号的超复数多模态情绪识别

基于摘要分析。本文研究 EEG 与外周生理信号的多模态情绪识别，提出带有参数化超复数乘法融合模块的超复数多模态网络，用于效价（valence）与唤醒度（arousal）分类。核心贡献是利用超复数域的代数运算规则，建模已学习特征维度之间的潜在关系，以支持多模态融合。 方法动机是：作者认为，既有深度学习方法仍依赖手工提取特征，且常采用单模态输入，未充分利用神经网络的特征学习能力及情绪表达的多模态信息。所提融合模块将参数化超复数乘法用于特征交互；但摘要未交代信号编码方式、超复数表示的具体构造、损失函数及训练流程，尚不能据此断言其完整端到端实现方式。 作者报告，在公开数据库 MAHNOB-HCI 上，使用 EEG 与外周生理信号进行效价和唤醒度分类，性能超过一个多模态最先进对照网络。摘要未给出该对照名称、具体指标、提升幅度、被试数量或被试内／跨被试划分，因此该结果应限定在作者所用但尚未核实的评估协议下理解，不能据此认定跨被试泛化能力或实际 BCI 效果。 作者提供了公开代码 MHyEEG，为复现提供了入口；代码内容与可运行性尚未核验。复现时需核对预处理、各模态输入及对齐方式、标签划分和训练测试协议，并检查融合模块相对常规融合方式的消融及参数量对照。实验协议、消融及统计信息尚未验证。