FDC-Net：重新审视 EEG 伪迹去除与多维情感计算之间的关联

基于摘要分析。该研究针对生理伪迹干扰下的 EEG 情绪识别，提出端到端框架 FDC-Net（Feedback-Driven Collaborative Network for Denoising-Classification Nexus），将伪迹去除与情绪识别深度耦合，而非作为独立任务串联处理。其核心贡献是通过任务间动态协作，同时优化去噪与多维情绪识别。 技术机制：摘要描述了双向梯度传播与联合优化策略，以及结合门控注意力、频率自适应 Transformer 和可学习频带位置编码的设计。作者认为，传统级联架构可能产生误差累积，且未充分利用两个任务之间的协同；FDC-Net 尝试以识别任务反馈参与去噪优化。具体损失形式、反馈路径、门控作用位置及频带编码实现尚未验证，不能仅凭摘要判断模型如何保留情绪相关信号并抑制伪迹。 数据与结果：作者使用具有多维情绪标签的 DEAP 和 DREAMER，与九种被作者称为当前先进方法的方案比较去噪与识别表现。作者报告，去噪任务的最高相关系数（CC）在 DEAP 上为 96.30%，在 DREAMER 上为 90.31%；生理伪迹干扰条件下，情绪识别 Accuracy 在两者上分别写为“82.3+7.1%”和“88.1+0.8%”。摘要未解释加号表示何种统计量，因此不将其改写为均值±标准差或性能增幅。上述结果对应的情绪维度、类别设置、伪迹类型与强度，以及被试内或跨被试等评估协议尚未验证，不能据此直接比较两个数据集上的泛化能力。 复现与核对重点：需从全文确认伪迹数据与去噪参考信号的构建方式、训练与测试划分、联合损失权重，以及与级联架构和各对照方法的训练条件是否一致；还需核对双向反馈、门控注意力和频带位置编码的消融及统计信息。摘要未提供代码或实现条件，当前证据支持将其视为联合去噪与情绪识别的研究方案，尚不足以确认跨被试、跨会话或真实在线 BCI 场景中的有效性。