EEGEmotions-27：标注27类细粒度情绪的大规模EEG数据集

基于摘要分析。该研究针对现有EEG情绪数据集多采用基本情绪类别或效价、唤醒度等维度、难以充分表征主观情感体验的问题，提出EEGEmotions-27，以27类细粒度情绪标注扩展情绪表征。其主要贡献是数据集，而非摘要中已明确提出的新型分类算法。 研究以情绪应被视为连续维度还是离散类别的争论为背景，选择更细致的离散类别体系。作者将数据集描述为大规模，并涉及消费级EEG硬件，但摘要未提供被试人数、记录规模、设备与通道配置、刺激材料、标签获取方式或各类别分布，这些信息尚未验证。27类标签的区分度与一致性，是评估该数据集研究价值时需要核对的关键事项。 作者报告，使用深度学习情绪分类模型获得62.24%的平均Accuracy，并与27分类的3.70%随机机会基线比较。摘要未说明这一结果属于Within-subject、Cross-subject还是Cross-session评估，也未说明训练与测试划分、平均方式及类别平衡情况，因此不能据此推断跨被试泛化能力，亦不能与其他数据集上的Accuracy直接比较。超过随机机会基线提供了初步分类可行性证据，但不足以单独确认相对现有方法的优势；作者所称建立新标准仍需结合完整实验核对。 复现与使用前需确认数据开放及访问条件、预处理流程、模型配置、标签形成过程和评估协议。实验协议、消融及统计信息尚未验证；现有摘要也不足以判断细粒度标签能否稳定反映不同被试的情绪体验。