MCAHNN：使用基于 Householder Reflection 的注意力机制进行多通道 EEG 情绪识别

基于摘要分析。本文研究多通道 EEG 情绪识别，针对不同脑区表征及通道间关系难以有效刻画的问题，提出 MCAHNN，将基于 Householder Reflection 的多通道注意力与 1D 卷积结合，用于情绪分类。 核心机制方面，作者以 Householder Reflection 增强注意力机制，提取 EEG 通道间特征，并将其描述为模拟脑区间动态；同时使用 1D 卷积分析通道内关系。摘要未说明 Householder Reflection 如何参与注意力计算，也未提供输入特征、网络配置、损失函数及训练流程，因此不能据此判断该结构是否显式保留特定几何性质，或是否具有可解释的脑区交互含义。 评估方面，作者报告在公开 DEAP 数据集上评估，并在 SEED 数据集上进一步测试，声称达到 state-of-the-art 表现。摘要未给出具体指标、数值、情绪标签定义、数据划分或对照基线，Within-subject、Cross-subject 与 Cross-dataset 协议均尚未验证。在两个数据集上测试并不自动等同于跨数据集迁移验证；摘要所称多中心数据集上的有效性，也需结合全文中的数据组织与评估方式核对。 复现时值得核对 Householder Reflection 相对普通注意力的消融增益、通道间与通道内模块各自的贡献，以及预处理、窗口划分和被试划分对结果的影响。摘要声明代码公开，但代码内容、运行条件及其与论文实验的一致性尚未验证。实验协议、消融及统计信息尚未验证；目前证据支持将其视为 EEG 情绪识别方法，不能进一步推断其对其他 BCI 任务的有效性。