用于 EEG 情绪识别的微状态引导动态图神经网络与原型对比学习

基于摘要分析。本研究针对 EEG 情绪识别中静态连接模板难以跟随脑网络随情绪变化而重组的问题，提出微状态引导的融合框架，将 EEG 微状态信息同时引入特征表示和图结构，并结合原型对比域适应实现跨被试对齐。 机制上，摘要明确提及专用编码器、多源动态图生成器及原型对比域适应。其方法特点是利用微状态信息指导时空表示与动态连接建模，而非仅依赖固定连接模板。微状态的提取与模板构建方式、多源图的具体来源、图更新规则、原型定义、对比损失及训练流程尚未验证，不能据摘要判断各模块的独立贡献。 作者报告，在 SEED 的 subject-independent（被试独立）协议下，模型平均 Accuracy 为 89.64%，并优于所比较的先进基线；摘要另称采用留一被试验证评估跨被试泛化。两项描述的具体对应关系、平均方式、波动范围及基线配置尚未验证，因此不宜与其他划分协议下的结果直接比较。 复现时应重点核对微状态模板是否仅由各折允许使用的数据构建、域适应是否使用目标被试数据及其标签、动态图与微状态模块的消融，以及统计稳定性。这些属于待核对事项，并非已确认的协议问题。作者将 SEED-IV 跨数据集验证和自适应微状态模板选择列为未来工作，当前摘要尚不支持跨数据集有效性的结论。实验协议、消融及统计信息尚未验证，代码与复现资源也未由所给材料确认。