T-SNN：用于 EEG 解码的时间单纯形神经网络

基于摘要分析。该研究针对 EEG 脑状态解码中时间动态与脑区群体交互难以联合建模的问题，提出 Temporal Simplicial Neural Network（T-SNN），以演化单纯形复形序列表示 EEG，并结合单纯形卷积与循环更新，学习高阶交互及其时间演化。 其核心思路是超越仅将 EEG 视为多变量时间序列、或以成对连接图表示功能连接的方式，用单纯形复形表达多个脑区之间的高阶关系。摘要未说明单纯形复形的构建规则、连接估计方法、时间窗口、单纯形阶数及具体训练目标，这些实现条件尚未验证。 作者报告，在 SEED-VII 七分类情感识别任务上，T-SNN 在 trial-wise 与跨被试评估中均优于卷积、循环、图方法及 Transformer 方法；摘要未提供具体指标、分数或对照模型配置。trial-wise 的划分单位及训练测试隔离方式尚未验证，不能将其直接等同于被试内或跨会话协议，也不能直接比较不同协议下的性能。 作者另报告，加入眼动特征可进一步提升性能，提示该框架具有多模态脑状态解码潜力；眼动特征类型、融合机制及增益幅度尚未验证。复现时需核对数据预处理、复形构建与更新方式、划分协议，以及高阶结构、循环更新和眼动特征各自的消融贡献。实验协议、消融及统计信息尚未验证，摘要中的优势尚不足以判断其在其他 EEG 任务或数据集上的泛化能力。