用于 EEG 情绪识别的脉冲时空神经架构搜索

基于摘要分析。该研究针对 EEG 情绪识别中脉冲神经网络（SNN）架构依赖人工设计的问题，提出脉冲时空神经架构搜索方法 SSTNAS，以结合空间与时间特征的方式搜索适合具体任务的 SNN 架构。 机制上，SSTNAS 分别使用脉冲卷积神经网络（SCNN）和脉冲长短期记忆网络（SLSTM）提取具有判别性的 EEG 空间与时间特征，再通过遗传搜索考察预训练网络的脉冲激活模式，选择适合各任务的架构。摘要将这一搜索过程描述为免训练，但不能据此认定整个方法无需训练：其中明确涉及预训练网络，预训练成本、候选架构是否需要后续训练及最终模型的训练流程尚未验证。其主要方法特点是将时空特征建模与基于脉冲激活模式的架构搜索结合，而非仅依靠人工设定 SNN 结构。 作者报告，在 FACED、DEAP 和 DREAMER 三个公开基准数据集上的实验显示，SSTNAS 优于相关最先进方法。摘要未提供具体指标、数值、对照方法或数据划分，因而目前无法判断这一结论对应被试内还是跨被试评估，也不能比较不同数据集上的提升幅度。 复现时需核对 EEG 预处理与输入编码、SCNN 和 SLSTM 的组合方式、搜索空间、脉冲激活模式的评价准则、遗传搜索配置，以及预训练和搜索的计算开销。实验协议、消融及统计信息尚未验证，尤其需要区分时空建模与架构搜索各自的贡献，并确认训练、验证和测试数据在搜索流程中的使用方式。当前证据支持其作为 EEG 情绪识别架构搜索方法进行阅读，不足以推出其他 BCI 任务上的有效性。