基于动态图注意力网络的 EEG 情绪识别

基于摘要分析。该研究针对 EEG 情绪识别中如何学习适合各被试的图结构问题，提出动态图注意力网络，以动态学习通道连接，并通过全局注意力丰富通道间的特征表示。 核心机制是将图注意力网络作为特征学习器，在建模过程中学习通道关系，而非仅依赖预先确定的连接结构。摘要将面向各被试的图结构学习作为方法目标，但尚未说明“动态”是随输入样本、时间变化还是训练过程更新，也未提供图结构初始化、注意力计算、损失函数及训练与推理流程，相关实现细节尚未验证。 作者报告，在公开情绪识别数据集 SEED 上，15 名被试的平均 Accuracy 为 94.6%，标准差为 4.98%，并称该方法优于现有方法。摘要未明确这些结果对应被试内还是跨被试评估，也未交代会话划分、训练与测试划分及具体对照基线，因此不能将该数值直接解释为跨被试或跨会话泛化能力，也不能与其他协议下的结果直接比较。 复现时需核对 EEG 预处理、输入特征、通道图构建方式、动态连接的更新规则，以及全局注意力相对图注意力的增益。实验协议、消融及统计信息尚未验证；代码与实现可用性也尚未验证。现有摘要支持将其视为 EEG 情绪识别的通道关系建模方法，尚不足以判断其对其他 EEG 任务的适用性。