AdamGraph：用于 EEG 情绪识别的自适应注意力调制图网络

基于摘要分析。该研究针对 EEG 情绪识别中随时间变化、因被试而异的通道连接拓扑与表征分布，提出自适应注意力调制图网络 AdamGraph，尝试同时处理连接变化和表征变化，而非仅对齐 EEG 表征。 方法包含三个模块。注意力调制图连接模块利用基于先验知识的空间连接，调制个体功能连接的注意力矩阵，学习自适应的个体通道连接权重，以捕获各被试的重要通道关系。深层节点—图表征学习模块用于提取通道间长程交互特征，并缓解表征过平滑。图域共同正则化学习模块则用于处理不同域之间连接与表征的个体分布差异。摘要未给出空间先验的具体定义、节点特征构造、共同正则化目标或训练与推理流程，这些实现细节尚未验证。 作者报告，在 SEED、DREAMER 和 MPED 三个公开 EEG 情绪数据集上的实验中，AdamGraph 优于所比较的先进方法。摘要未提供具体指标、数值、被试数量、数据划分或对照方法清单，也未明确被试内、跨被试或跨会话评估协议，因此不能据此量化提升幅度或确认其跨被试泛化能力。 其主要阅读价值在于将通道拓扑适应与表征适应结合，为分析个体差异提供了明确的方法路径。复现时需核对空间先验与功能连接的构建方式、域的定义、各模块的独立贡献，以及抑制过平滑的证据；实验协议、消融及统计信息尚未验证。现有摘要证据限于 EEG 情绪识别，不宜直接推及其他 BCI 任务。