PGCN：用于 EEG 情绪识别的金字塔图卷积网络

基于摘要分析。研究针对 EEG 情绪识别中浅层 GCN 难以利用跨头皮长程电极依赖、堆叠更多层又可能产生过平滑的问题，提出 PGCN，以局部、中观和全局三个层级聚合特征，增强电极关系建模。 局部层级依据电极的三维拓扑关系构建常规 GCN，整合二阶局部特征；中观层级根据先验知识划分若干脑区，并通过中观注意力依次计算虚拟中观中心，以关注脑区层面的功能连接；全局层级融合节点特征及其三维位置，构建数值关系邻接矩阵，从全局视角整合结构与功能连接。其方法特点是通过分层关系建模扩大信息聚合范围，而非仅依靠增加 GCN 深度；各层级的精确实现、融合方式、损失及训练流程尚未验证。 作者报告，在四个公共数据集上的被试依赖和被试独立情景中，PGCN 增强了跨头皮关系建模，并取得最先进性能；作者还报告，该方法能够在网络深度与感受野之间实现有效权衡，同时抑制过平滑。摘要未提供数据集名称、被试数量、划分方式、对照模型、评价指标或具体数值，因此这些结论尚不能进行定量核对，也不能将不同情景的表现直接比较。 复现时需核对电极三维坐标与图构建规则、先验脑区划分、虚拟中观中心的计算过程，以及全局邻接矩阵如何随节点特征更新。实验协议、消融及统计信息尚未验证；尤其需检验各层级的独立贡献，以及过平滑的度量是否支持作者结论。该研究对象是 EEG 情绪识别，摘要并未提供精神疾病诊断或康复的临床验证证据。