基于动态图神经网络的 EEG 情绪识别

基于摘要分析。该研究针对 EEG 情绪识别中的被试差异，提出结合自注意力与通道注意力的 Graph Transformer 模型。核心思路是通过映射层处理不同被试之间的 EEG 通道连接关系变化，再利用基于 Transformer 的图神经网络与通道注意力学习并增强输出表征。 技术机制方面，摘要将映射层与通道连接差异的处理联系起来，但未说明连接关系如何估计、图结构如何动态更新，以及映射层的具体输入输出。自注意力、图信息传播与通道注意力之间的组织方式、损失函数和训练流程尚未验证。因此，标题中的“动态图”目前不能进一步解释为某种特定的时变图或可学习邻接机制。 作者报告，在 SEED 数据集的全部 15 名被试上分别开展实验，平均 Accuracy 为 94.35%，标准差为 5.05%，并称该方法优于已有方法。摘要未明确这些实验属于被试内还是跨被试协议，也未提供训练与测试划分、对照方法及其数值；上述结果只能在摘要所述评估范围内理解，不能据此认定模型已验证跨被试泛化能力。标准差的具体统计口径亦需核对全文。 复现与阅读重点是图连接构建、映射层是否依赖目标被试数据、注意力模块的实际作用，以及各被试的数据划分与结果汇总方式。实验协议、消融及统计信息尚未验证，代码可用性亦未由所给材料确认。该研究直接面向 EEG 情绪识别，但摘要未涉及在线 BCI 使用或其他 EEG 任务，不宜外推为通用 BCI 性能提升。