面向 SSVEP-BCI 情绪识别的效价—唤醒度解耦表征学习

基于摘要分析。本文研究 SSVEP-BCI 中的情绪识别，针对判别性潜在表征可能沿非预期方向泛化、降低情绪检测准确性的问题，提出 Valence-Arousal Disentangled Representation Learning（VADL）。其核心贡献是将效价与唤醒度信息的潜变量解耦，并结合全局情绪特征提取与动态多任务训练。 机制上，VADL 借鉴经典二维情绪模型，分别表征效价和唤醒度；采用 structured state space duality model 提取全局情绪特征。作者还提出 Multisubject Gradient Blending 训练策略，在训练过程中动态调整重构任务和判别任务各自的学习节奏。摘要未披露解耦约束、损失函数、梯度混合规则及模型结构细节，尚不能确定如何约束两类潜变量的信息独立性。 数据方面，作者构建了包含 23 名被试的数据库，并报告在该数据库采集中有效诱发了情绪状态与 SSVEP。作者报告 VADL 优于所比较的现有先进基准算法，但摘要未提供具体指标、数值、基线名称及数据划分，因而无法判断优势对应被试内、跨被试还是跨会话评估，也不能将情绪识别结果等同于 SSVEP 指令解码性能提升。 复现与证据核对重点包括情绪诱发及标签获取方式、情绪与 SSVEP 刺激的实验安排、训练测试划分、解耦机制与梯度混合的独立贡献，以及数据库和实现的可获取性。实验协议、消融及统计信息尚未验证；摘要也不足以支持实时运行性能或临床应用效果的判断。