用于基于 EEG 的跨被试情绪识别的进化集成学习

基于摘要分析。本研究针对 EEG 个体差异、非平稳性及情绪复杂性带来的跨被试情绪识别泛化困难，提出端到端框架 EPNNE（NN ensemble with EP），以神经网络为基础分类器，采用 evolutionary programming（EP，进化规划）优化策略构建集成方法。 核心方法是将 EP 优化与神经网络集成结合，面向跨被试情绪识别提升预测表现。摘要未说明 EP 的搜索对象、适应度函数、集成成员的生成与组合方式，也未提供神经网络结构、损失函数及训练流程，因此尚不能判断性能提升主要来自模型多样性、集成组合优化还是其他环节。其创新性需结合正文中的方法定义与对照实验核对。 作者报告在公开数据集 DEAP、FACED、SEED 和 SEED-IV 上进行了跨被试评估，并报告该方法优于现有最先进的跨被试情绪识别方法。摘要未给出具体指标、分数、基线名称或数据划分方式；这些数据集上的结果不应视为跨数据集泛化证据，也无法据此判断提升幅度及统计可靠性。实验协议、消融及统计信息尚未验证。 复现时需核对 EEG 预处理、输入表征、情绪标签定义、被试划分，以及 EP 搜索和超参数选择使用的数据范围；同时需比较集成与单模型的表现及训练、推理开销。作者提出该框架可辅助情绪状态评估及干预，但摘要中的数据集实验不足以确认临床效用。代码、计算资源需求与临床验证情况尚未验证。