用于 EEG 通道选择的自适应子图生成算法

基于摘要分析。本文研究 EEG 通道选择，提出基于图卷积网络（GCN）的自适应子图生成算法 SSGE，通过学习加权邻接矩阵生成子图，以减少参与识别的通道并改善识别表现；研究验证任务是 SEED 三分类情绪识别。 机制上，SSGE 引入新的消息传递机制来重构节点间信息。作者认为，该机制解决了传统图卷积难以适配可学习加权邻接矩阵的问题，并有助于通道选择。摘要未给出邻接矩阵的参数化方式、子图生成规则、消息传递公式及训练目标，尚不能判断通道选择与识别模型如何联合优化。 作者报告，在 SEED 的被试独立（Cross-subject）实验中，生成的子图从全部 62 个节点中保留 17 个节点和 7 条边，三个会话的识别 Accuracy 分别为 82.18%、74.83% 和 79.07%。作者报告，相比使用全部通道，平均提升为 2.53%；摘要未明确该提升是相对百分比还是百分点，因此不作换算。三个会话分别评估不等同于 Cross-session 泛化验证。 复现时需核对被试划分、各会话的训练与测试安排、通道选择使用的数据范围，以及全通道对照的模型与训练设置。还需确认子图是在不同被试或会话间共享，还是随数据自适应变化；节点与边数量的稳定性、消息传递机制的独立贡献及计算开销也值得检查。实验协议、消融及统计信息尚未验证，摘要所述结果不能直接推广到其他 EEG 任务。