TS-Net：基于 EEG 信号时空特征的情绪识别网络

基于摘要分析。该研究针对 EEG 情绪识别中脑区生物学与拓扑信息利用不足的问题，提出时空特征网络 TS-Net，以结合时间特征和空间特征识别情绪状态。其主要研究对象是 EEG 情绪分类，摘要中的心理健康监测属于应用动机，不能据此视为已验证的临床效用。 机制方面，TS-Net 使用 1DCNN 作为专门的时间特征提取组件，使用 gMLP 作为专门的空间特征提取组件，旨在利用不同脑功能区的神经活动强度分析情绪状态。摘要未说明脑区拓扑如何编码、两个组件如何融合，也未提供输入表示、损失函数或训练细节，因此尚不能确认其空间建模是否显式利用脑区连接关系。 结果方面，作者报告在 DREAMER 上，arousal、valence 和 dominance 三个任务的整体 Accuracy 分别为 97.87%、96.79% 和 97.99%，并声称优于现有先进情绪识别方法。但摘要未给出数据划分、被试内或跨被试协议、对照方法及统计不确定性，以上数值只能作为该文所述评估下的结果，不能直接与其他协议比较。作者还报告在两个自采情绪分类数据集上取得满意结果，但未提供数据规模、标签定义、评估协议或具体指标。 复现时需核对 EEG 预处理与样本切分、脑区和通道映射、1DCNN 与 gMLP 的连接及融合方式，以及对照实验是否采用一致协议。实验协议、消融及统计信息尚未验证，代码可用性亦尚未验证；现有摘要不足以判断模型在跨被试、跨会话或实际在线情绪监测中的稳定性。