通过认知启发图嵌入模型学习用于情绪识别的脑网络流形

基于摘要分析。该研究针对 EEG 情绪识别中脑网络空间拓扑变化的表征问题，提出在 L1 范数空间中学习的认知启发图嵌入模型 L1-CGE，为情绪脑网络获得低维流形表示，并探索其用于实时情感脑机接口（aBCI）的可行性。 核心机制分为两步：首先，使用作者提出的认知启发度量，将原始脑网络编码到亲和空间，构建情绪脑网络的潜在几何流形结构；随后，在 L1 范数空间中定义图学习目标函数，求取低维脑网络表示。作者认为，该过程能够突出情绪脑网络的模块化社区结构，从而更有效地表征情绪。摘要未给出认知启发度量的具体公式、脑网络构建方式、优化过程及分类环节，尚不能判断各组成部分对性能的独立贡献。 作者报告，在三个公开情绪 EEG 数据集的离线实验中，L1-CGE 相较已有方法达到最先进性能；同时，基于 L1-CGE 构建的在线情绪解码系统获得了稳健的实时实验结果。摘要未提供数据集名称、被试数量、被试内或跨被试划分、对照方法、评价指标及具体数值，因此无法量化其优势，也不能直接比较离线与在线结果。 该工作的阅读重点是网络社区结构与低维情绪表征之间的联系，以及离线方法进入在线 aBCI 系统后的适用条件。复现前需核对脑网络边的定义、亲和度量与 L1 目标函数、嵌入维度和超参数选择，以及在线处理延迟与稳健性的评估方式。完整实验协议、消融及统计信息尚未验证，代码与数据处理细节亦尚未验证。