用于情绪识别的认知启发图嵌入模型所学习的脑网络流形

基于摘要分析。本文研究如何利用 EEG 脑网络空间拓扑的变化表征情绪，提出认知启发的 L1 范数空间图嵌入模型 L1-CGE，学习情绪脑网络的低维流形表示，并将其用于离线情绪识别与在线情绪解码。 方法先通过所提出的认知启发度量，将原始脑网络编码到亲和空间，以构建情绪脑网络的潜在几何流形结构；随后在 L1 范数空间定义图学习目标函数，获得低维脑网络表示。作者认为，这一机制能够突出情绪脑网络的模块化社区结构，从而更有效地刻画情绪。摘要未给出脑网络连接的估计方式、认知启发度量的具体定义、目标函数公式或优化流程，因此尚不能判断各模块的独立贡献。 作者报告，L1-CGE 在三个公开情绪 EEG 数据集的离线条件下，相较现有方法取得最先进性能；但摘要未提供数据集名称、评价指标、数值、对照方法及被试内或跨被试等划分协议，这一性能结论仍需结合全文核对。作者还报告，基于 L1-CGE 构建的在线情绪解码系统获得稳健的实时实验结果，并据此认为该方法有望支持实时情感脑机接口（aBCI）。在线被试规模、情绪诱发与标注方式、解码延迟及稳健性评估条件尚未验证，不能据此认定系统已具备实际部署有效性。 复现时应重点核对脑网络构建与预处理、亲和度量及嵌入优化的实现、低维表示如何接入分类器，以及离线与在线阶段的训练和测试边界。实验协议、消融及统计信息尚未验证，代码与复现资源的可得性也尚未确认。