用于准确且可解释的 EEG 情绪分类的细粒度半球不对称网络

基于摘要分析。该研究面向 EEG 情绪分类，提出端到端模型 Fine-grained Hemispheric Asymmetry Network（FG-HANet），从原始 EEG 及其镜像版本提取特征，并利用 2-Hz 窄频带中的半球不对称信息，兼顾分类性能与可解释性。 机制上，FG-HANet 使用 Finite Impulse Response（FIR，有限冲激响应）滤波器获取细粒度频谱信息，并设计三阶段训练流程，以促使模型充分关注半球不对称特征。摘要未说明镜像操作的具体通道映射、原始与镜像特征的融合方式，以及各训练阶段的目标与参数更新策略，这些实现条件尚未验证。 作者报告，在公开数据集 SEED 和 SEED-IV 上，Accuracy 分别为 97.11% 和 85.70%，并声称达到新的最优水平。但摘要未交代这些结果对应被试内还是跨被试、是否跨会话，以及数据划分和对照基线，因此不能据此判断跨被试泛化能力，也不宜与其他协议下的分数直接比较。 解释性方面，作者报告模型结果揭示了不同情绪状态下的半球优势，以及个体在 2-Hz 频带内的半球不对称现象，并称其与既有神经科学发现一致。这类结果为检查模型是否利用具有生理意义的特征提供了线索，但尚不足以单独确立情绪生成的因果机制。复现时需核对电极与镜像对应关系、滤波设置、三阶段训练细节和评估协议，并验证镜像输入、频带粒度及训练流程各自的贡献；相关消融及统计信息尚未验证。