基于图信号处理的 EEG 情绪分类

基于摘要分析。该研究面向 EEG 自动情绪识别，提出学习类别特异性判别图的框架，以图信号处理（GSP）刻画观测之间的关系，并将学习到的图表示用于情绪分类。 核心机制是为每一类观测假设一个潜在图结构：该类观测在自身对应的图上应当平滑，而在其他类别的图上应当非平滑。由此，图学习不仅表达类内结构，还利用跨类别的平滑性差异形成判别信息。作者进一步将类别特异性图表示作为子字典，用于分类任务；但摘要未说明图的节点与边如何定义、平滑性约束的具体数学形式、优化过程，以及子字典如何参与最终分类。 作者报告，在一个 EEG 情绪识别数据集上的实验表明，该框架优于所比较的其他方法。摘要未提供数据集名称、被试数、情绪类别、评价指标、具体分数及对照方法，也未说明采用被试内、跨被试还是跨会话评估，因此目前不能量化性能增益或判断泛化范围。 复现时值得核对图学习与分类的衔接方式、图结构的约束及正则化、训练与测试的划分，以及类别图是否仅由训练数据估计。这些是需查阅全文的验证事项，并非已发现的问题。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。