MGMCL：结合 Neural ODEs 的多粒度流形对比学习用于跨被试 EEG 情感识别

基于摘要分析。该研究针对跨被试 EEG 情感识别中的个体差异，以及离散建模难以表达情绪连续性的问题，提出 MGMCL，在对称正定（SPD）黎曼流形上学习连续情绪表征，并结合多粒度对比学习、流形动力学与跨被试对齐。 方法在实例、情绪和轨迹三个粒度开展流形对比学习，旨在保留情绪的语义顺序；通过流形上的 Neural ODEs 建模连续情绪动态，使用 Gromov-Wasserstein 流形对齐支持跨被试泛化，并以弱监督方式从离散标签预测连续的效价、唤醒度和支配度。摘要未说明 EEG 如何构造 SPD 表征、各粒度的正负样本定义、语义顺序如何编码，以及各目标的具体优化方式，相关实现尚未验证。 在摘要所述跨被试评估背景下，作者报告在 SEED、SEED-IV 和 DEAP 上的 Accuracy 分别为 91.23%、73.82% 和 76.38%，并声称达到当前最佳表现。作者另报告相对既有最佳方法的改进数值分别为 1.89%、1.66% 和 1.28%；摘要未明确这些数值表示相对增幅还是百分点差值，不能混用。具体被试划分、基线配置、DEAP 任务定义、是否使用目标被试数据，以及统计不确定性尚未验证。 阅读全文时应重点核对：连续情绪输出是否有独立的连续标注用于验证，轨迹构造是否对应真实时间关系，以及流形表示、多粒度对比、Neural ODEs 和 Gromov-Wasserstein 对齐各自的消融贡献。复现还需确认预处理、训练与测试边界、损失配置及代码可用性；现有摘要不足以判断其跨被试优势的稳定性。