用于 EEG 情绪识别的新型 Fourier Adjacency Transformer

基于摘要分析。该研究针对噪声干扰、信号非平稳性及脑活动复杂性造成的 EEG 情绪识别困难，提出 Fourier Adjacency Transformer，将基于 Fourier 的周期分析与图结构建模相结合，联合利用信号周期特征和通道间关联。 机制上，方法先通过 Fourier-inspired 模块从嵌入后的 EEG 信号中提取周期特征，并将其与非周期成分解耦；随后使用邻接注意力强化通用的通道间相关模式，并与样本特定的相关模式结合。其可核对的研究重点是周期信息与通道结构信息的联合建模，而非仅采用频域变换或独立建模通道关系。具体周期分解方式、邻接关系构建、两类相关模式的融合机制、损失函数及训练流程尚未验证。 作者报告，在 SEED 和 DEAP 数据集上的评估优于现有最先进方法，识别 Accuracy 提升约 6.5%。但摘要未明确该数值对应哪个数据集或汇总方式，也未说明其表示相对提升还是增加的百分点；被试内、跨被试或跨会话协议、数据划分及具体对照基线均尚未验证，因此不能将该数字解读为明确协议下的可复现收益。 复现时应重点核对预处理与输入表示、周期及非周期成分的分离定义、通用通道关联的学习范围，以及两类模块各自的消融贡献。噪声和非平稳性是作者提出的研究动机，摘要尚不足以确认方法对这些因素的独立鲁棒性。材料提供了代码仓库地址，但代码可用性、运行配置及其与论文实验的一致性尚未验证；实验协议、消融及统计信息也需查阅全文确认。