Q-RoFormer：用于跨被试 EEG 情绪识别的基于四元数旋转的 Transformer

基于摘要分析。该研究针对 EEG 情绪识别中由颅骨解剖、电极位置和情绪反应差异引起的跨被试时空分布偏移，提出基于四元数旋转的超复数神经网络 Q-RoFormer。其主要贡献是将跨时间窗相关性建模与跨被试空间对齐结合，并采用预训练—微调范式增强迁移能力。 核心机制方面，四元数 Transformer 模块将多个时间窗的 EEG 片段嵌入统一的四元数表示，在四元数空间中利用时间窗之间的相关性缓解时间分布偏移，同时通过四元数旋转对齐被试间的空间分布。随后，四元数长短期记忆网络对四元数序列中的跨窗时间依赖进行建模。摘要未说明四元数各分量的构造方式、旋转的参数化与学习目标，以及预训练任务和微调设置，相关细节尚未验证。 结果方面，作者报告在跨被试 EEG 情绪识别实验中，Q-RoFormer 在 SEED 和 SEED-IV 上的 Accuracy 分别为 93.47% 和 81.92%；摘要未提供被试划分、训练与测试流程、目标被试数据使用方式或对照基线，因此不能据此直接与其他协议下的结果比较。作者报告消融结果支持空间旋转对跨被试泛化的作用，但效应大小、其他模块贡献和统计信息尚未验证。 复现重点是核对四元数表示是否保留有效的通道与时间窗结构、空间旋转如何对应 EEG 分布差异，以及预训练和微调的数据边界。摘要提供了代码仓库地址，但代码完整性、运行环境和实验配置尚未核验；实验协议、消融及统计信息仍需结合全文与实现确认。