用于情绪识别的脑区 EEG 表征对比学习

基于摘要分析。本文研究 EEG 情绪识别中的数据集有限、实验协议不一致及时空冗余问题，提出脑区 EEG 表征对比学习方法 CLRA。其核心思路是利用同一脑区内信号相似、不同脑区间信号存在差异的假设，学习可区分脑区的表征，再将其用于情绪分类。 机制方面，作者使用一维卷积神经网络（CNN）和循环网络，在对比学习过程中从逐通道 EEG 中学习时间表征，随后重组、融合这些表征以提取情绪分类特征。摘要尚未说明脑区划分依据、正负样本构造、对比损失形式，以及表征学习与分类训练的衔接方式，不能据此判断脑区可分性如何转化为情绪判别能力。 作者报告，在 DEAP 和 SEED 上的跨被试实验中，CLRA 在 DEAP 的 valence 和 arousal 任务上分别取得 95.23% 和 96.31% 的 Accuracy，在 SEED 上取得 95.16% 的 Accuracy。具体被试划分、类别设置、预处理、训练与测试边界及基线对照尚未验证，因此这些结果不宜与不同协议下的分数直接比较。作者称结果达到当前最佳水平，但摘要不足以独立核实这一结论。 作者还报告，减少通道配置时分类 Accuracy 仍有改善，并将泛化与鲁棒性归因于信息丰富的单通道特征，称其支持跨数据集整合与训练。摘要未提供电极数量、选择策略、对应对照及跨数据集评估协议，因此跨数据集整合训练不能直接等同于已验证的跨数据集测试泛化。 复现时需核对脑区与通道映射、对比样本构造、数据切分和融合流程，并确认通道减少实验的比较条件。实验协议、消融及统计信息尚未验证；代码与完整复现条件也尚未验证。