EEG 情绪识别的评估：研究现状综述与统一框架

基于摘要分析。本文研究 EEG 情绪识别（EEG-ER）中评估协议不统一、方法结果难以公平比较的问题，通过梳理 2018—2023 年发表的 216 篇论文，提出统一评估协议及开源软件框架 EEGain，旨在提高评估的可复现性与可比性。 作者报告，现有研究的主要协议差异涉及真实标签定义、评估指标选择、数据划分类型（如被试内或跨被试）以及所用数据集。这些差异意味着，不能仅凭论文中的单一分数判定方法优劣，必须先核对标签构造、划分和指标是否一致。 EEGain 将数据预处理、数据划分和评估指标纳入标准化流程，并提供 AMIGOS、DEAP、DREAMER、MAHNOB-HCI、SEED、SEED-IV 六个数据集的加载接口。作者称，各数据集可通过单行代码加载。其主要贡献是综述与评估基础设施，而非提出新的情绪识别网络。 作者报告，已在上述六个数据集上使用 EEGNet、DeepConvNet、ShallowConvNet、TSception 四种公开方法评估和验证 EEGain。摘要未提供具体指标数值、各方法所用划分及比较结果，因此尚不能据此确定方法排名，或认定框架已消除所有协议差异。 复现时需重点核对真实标签的构造规则、预处理参数、训练与测试划分单位，以及不同数据集和方法所用的指标口径。框架支持标准化流程，不等于不同任务定义下的分数可直接比较；具体实验协议、消融及统计信息尚未验证。