通过层次化自注意力实现情绪定位的 EEG 情绪识别

基于摘要分析。本文针对 EEG 情绪识别中不同时间片段被统一处理、难以反映长时间内情绪变化的问题，提出两步时空框架：先通过层次化自注意力定位情绪相关片段，再结合通道选择增强情绪识别。作者还定义了 emotion localization（情绪定位）任务，目标是定位情绪更强的片段。 时间建模方面，方法以情绪具有“短期连续性”和“长期相似性”为出发点，联合建模局部与全局时间信息，以寻找与情绪最相关的片段并减轻时间层面噪声的影响。摘要未说明层次划分、注意力计算方式及片段定位输出如何参与最终分类，这些实现细节尚未验证。 空间建模方面，作者采用 squeeze-and-excitation module（SE module）与 channel correlation loss（CC-Loss），以选择与任务最相关的通道、提取更具判别性的空间特征。摘要未提供 CC-Loss 的数学形式、通道相关性的定义，也未明确这里的“选择”是特征重加权还是显式通道筛选，不能据此推断具体机制。 作者报告在 SEED、DEAP 和 MAHNOB-HCI 三个公开数据集上评估了情绪定位与常规情绪识别任务，并报告所提方法优于所比较的现有先进方法；摘要未给出指标、数值、对照方法或被试内、跨被试等划分协议，因此目前无法判断提升幅度及泛化范围。 复现时需重点核对情绪定位的标注来源与时间粒度、情绪强度的操作性定义、片段切分与训练测试划分，以及时间定位和空间模块各自的贡献。实验协议、消融及统计信息尚未验证；代码可用性也尚未确认。该工作直接研究 EEG 情绪识别，但摘要结果不能进一步等同于在线 BCI 的有效性。