基于对比学习的跨域 EEG 情绪识别

基于摘要分析。该研究针对 EEG 情绪识别中的特征利用与跨域泛化问题，提出 EmotionCLIP，在 CLIP 框架内将情绪识别改写为 EEG–文本匹配任务，并以多模态对比学习支持情绪识别。 技术机制上，作者设计 SST-LegoViT 骨干，通过多尺度卷积与 Transformer 模块捕获空间、频谱和时间特征。摘要未说明文本描述或提示的构造方式、文本编码器配置、对比损失的具体形式，以及训练和推理时如何完成情绪类别匹配；这些细节决定其多模态监督与特征学习机制如何复现，尚待全文核对。 作者报告：在 SEED 和 SEED-IV 上，跨被试（Cross-subject）Accuracy 分别为 88.69% 和 73.50%；跨时间（cross-time）Accuracy 分别为 88.46% 和 77.54%。作者称这些结果优于现有模型，但摘要未提供具体对照、划分方式或统计信息，因此目前只能按各自评估情境记录，不能据此判断提升幅度或显著性。cross-time 的具体定义尚未验证，不直接等同于跨会话（Cross-session）。 复现时需要核对 EEG 预处理与输入表示、训练和测试的被试及时间划分、文本信息来源，以及 SST-LegoViT 与对比学习各自的贡献。实验协议、消融及统计信息尚未验证；代码与模型权重的可用性亦无法从现有材料确认。该研究直接面向 EEG 情绪识别，其报告结果不自动代表对运动想象或其他 BCI 任务的有效性。