基于动态注意力的 EEG 状态转移建模用于情绪识别

基于摘要分析。该研究针对 EEG 情绪识别中复杂时空动态难以充分表征的问题，提出 Dynamic-Attention-based EEG State Transition（DAEST）建模方法，通过 EEG 时空成分及其动态注意力权重刻画脑状态转移，并在对比学习框架下优化跨被试情绪识别。 核心机制是提取代表多个并行神经过程的 EEG 时空成分，再估计随时间变化的成分注意力权重，以描述不同状态之间的转移。其方法重点不只是提取情绪判别特征，而是显式利用成分贡献的动态变化建模时空过程。摘要未说明成分提取结构、注意力计算方式、状态转移的数学定义，也未交代对比学习的正负样本构造、监督信息及损失形式，这些均需全文核对。 作者报告，在跨被试情绪识别评估中，DAEST 在 FACED 的正负情绪二分类任务上取得 75.4% Accuracy，在其九类离散情绪分类任务上取得 59.3% Accuracy；在 SEED 的正、负、中性三分类任务上取得 88.1% Accuracy；在 SEED-V 的五类离散情绪分类任务上取得 73.6% Accuracy。作者称该方法在这三个公开数据集上达到当时最优表现，但摘要未提供具体被试划分、对照基线及统计信息，尚不能独立确认这一比较结论，不同数据集和类别设置的数值也不宜直接比较。 作者认为，学习到的 EEG 时空模式及动态转移特性有助于理解情绪加工的神经动态；这一解释仍需结合成分可视化、稳定性分析及相关证据核验，注意力变化本身不等同于已验证的生理状态转移。复现需进一步确认 EEG 预处理、输入窗口、跨被试划分、训练设置及实现可得性。实验协议、消融及统计信息尚未验证。