STSNet：用于被试独立 EEG 情绪识别的新型时空频网络

基于摘要分析。本文研究如何利用 EEG 空间、时间与频谱信息的互补性，提高被试独立情绪识别的数据表征能力，提出基于 ManifoldNet 与 BiLSTM 的端到端网络 STSNet，进行时空频特征融合。 核心机制：作者首先在流形空间中构建四维时空频数据表示及另一种时空数据表示，分别输入 ManifoldNet 和 BiLSTM 提取高层特征，再实现时空频特征融合。作者认为，相较于仅融合时空或空频特征的研究，同时利用三个域的互补信息有助于情绪分类。摘要未明确四维表示各轴的含义、流形构造、融合算子、损失函数及训练配置，这些细节尚未验证。 评估与结果：作者在 DEAP 和 DREAMER 两个公开数据集上采用被试独立的留一被试交叉验证，即 Cross-subject 评估。作者报告，在该协议下，DEAP 的 valence（效价）与 arousal（唤醒度）平均 Accuracy 分别为 69.38% 和 71.88%；DREAMER 分别为 78.26% 和 82.37%。这些数值对应不同数据集及情绪维度，不能直接据此比较任务难度或泛化能力。摘要提到进行了广泛的对比实验，但未给出具体基线及其结果，因此尚不能量化 STSNet 相对既有方法的提升。 复现与证据边界：需核对 EEG 预处理、频谱与流形表示的计算方式、情绪标签划分、样本切窗、训练与验证划分，以及融合模块的消融结果。实验协议细节、消融及统计信息尚未验证。现有材料支持其在 EEG 情绪识别中的方法与跨被试评估定位，但不能据此扩展为其他 BCI 任务或在线应用中的已验证效果。