通过多尺度混合注意力平衡 EEG 情感识别中的局部与全局依赖

基于摘要分析。针对 EEG 情感识别中低信噪比、非平稳性、被试间差异及情感信息跨时间尺度分布的问题，作者提出 DSFConformer，将多尺度时空卷积、Dynamic Sparse Feature Fusion（DSFF）与轻量级 Transformer 结合，重点研究全局编码前多尺度局部表征的自适应整合。 机制上，多尺度编码器提取不同时间分辨率下的互补局部 EEG 动态；DSFF 根据样本进行特征重加权与稀疏抑制，旨在降低冗余或噪声敏感响应的影响；随后由 Lite Transformer 建模全局上下文依赖，并降低计算开销。摘要未提供具体尺度、稀疏化实现、损失函数或训练配置，这些实现细节尚未验证。 作者报告，在 SEED 数据集的按时间顺序分块、片段级交叉验证协议下，DSFConformer 的 Accuracy 为 96.08%；在更严格的 trial-wise 协议下，Accuracy 为 78.81%，与 EEG-Conformer 的 78.77% 统计上相当，配对差异不显著。两种协议的结果应分别解读，不能用片段级结果替代试次级泛化表现；片段构建、分块方式及训练测试划分仍需全文核对。 作者报告，消融分析表明多尺度卷积与 DSFF 是识别性能增益的主要来源，Lite Transformer 则主要在保持相近 Accuracy 的同时改善计算效率；摘要未给出具体消融数值或计算成本指标。作者还开展了 Cross-session 与留一被试分析，但摘要未列出对应结果，因此尚不能量化跨会话或跨被试泛化能力。复现时需核对预处理、划分与验证流程、DSFF 配置、统计检验及效率测量条件；代码可用性和完整实验统计信息尚未验证。