基于 cEEGrid 的音乐情绪识别

基于摘要分析。本研究考察耳周移动 EEG 能否用于音乐诱发情绪解码，以及数据划分方式如何影响性能评估。作者采集了包含头皮 EEG（DAAMEE-s）与耳周 cEEGrid（DAAMEE-c）的 DAAMEE 数据集，并结合既有 DEAP 数据集，使用多种深度学习模型和数据划分方式开展测试。 DAAMEE 包含多项任务，本研究使用其中被试听音乐并记录自身情绪状态的任务数据；DEAP 则提供头皮 EEG 对照数据。评估主要针对二分类效价（valence）解码，表现最好的模型还被用于唤醒度（arousal）、支配度（dominance）及效价—唤醒度—支配度三维分类。摘要未说明具体模型、标签构建方式及训练流程。 作者报告，在所测试的模型与划分条件下，DAAMEE-c 的表现总体与 DAAMEE-s 和 DEAP 相近，支持进一步研究 cEEGrid 用于情绪解码的可行性；摘要未给出具体指标、数值及统计信息，因此尚不能据此认定不同采集方式性能等效，也不能将跨数据集的表现比较理解为 Cross-dataset 泛化验证。 作者报告，某些数据划分方式可能使模型利用样本间的时间相关性，造成性能虚高。这使划分协议成为解读结果的关键：需在全文中核对训练集与测试集的样本组织方式，以及其是否对应被试内、跨被试或跨会话评估。被试数、通道配置、预处理、具体划分、对照结果、消融及统计信息尚未验证，数据与代码的获取条件亦需进一步确认。现有摘要支持移动情绪解码的可行性探索，不构成实际 BCI 应用效果或临床有效性的证据。