结合几何深度学习与多通道特征融合的逐通道编码器网络用于头皮 EEG 情感识别

基于摘要分析。研究针对头皮 EEG 情感识别，以未经处理的 EEG 信号为输入，结合通道专属编码器、图卷积和多头注意力，对 arousal（唤醒度）、valence（效价）与 dominance（支配度）进行低/高二分类。主要贡献是将各通道的特征学习与电极空间关系建模结合，并通过多任务分类器预测三个情绪维度。 机制上，每个通道的编码器采用基于 SincNet 的卷积模块，滤波器在训练中针对情感识别任务微调。得到的特征嵌入进入图卷积网络：通道被表示为图节点，图结构依据采集时电极的相对位置建立，其建模假设是相邻电极捕获的脑活动存在相互影响。多头注意力与图卷积共同使用，以关注不同表示子空间中的特征；随后由深度神经网络多任务分类器输出情绪状态。摘要未说明具体图连接规则、注意力实现、损失函数或网络规模，这些细节尚未验证。 作者报告，在 Dreamer 数据集的 10 折交叉验证下，arousal、valence、dominance 的 Accuracy 分别为 88.24%、88.80%、88.22%；该划分是否严格隔离被试尚未验证。在 Dreamer 的 Leave-One-Subject-Out（LOSO，跨被试）交叉验证下，对应 Accuracy 为 63.71%、64.98%、61.81%；在 DEAP 的 LOSO 评估下，分别为 69.72%、69.43%、70.72%。这些结果属于不同评估协议，不能将 10 折结果直接视为跨被试性能。作者声称优于当时的先进方法，但具体对照方法及协议可比性尚未验证。 复现时应优先核对样本切分、情绪标签二值化规则、电极图构建、通道编码器的参数共享方式，以及 SincNet、图卷积和多头注意力各自的贡献。摘要所称“未经处理”输入的实际预处理边界也需查阅全文确认。被试规模、实验协议细节、消融及统计信息尚未验证；当前证据支持对该情绪识别框架开展方法审查，不足以推断其在其他 EEG 或 BCI 任务中的有效性。