基于轻量残差卷积的胶囊网络用于 EEG 情绪识别

基于摘要分析。该研究针对 EEG 情绪识别中浅层 CNN 难以充分表征特征间空间关系、训练样本有限的问题，提出轻量残差卷积胶囊网络 LResCapsule，将低参数特征提取与胶囊分类结合，用于从原始 EEG 信号提取并识别情绪相关特征。 方法由 Light-ResNet 特征提取器和 capsule-based classifier 构成。Light-ResNet 自动提取深层情绪特征，以较低参数量适应有限 EEG 训练数据；胶囊分类器用于识别空间域中局部特征与全局特征的位置关系。摘要未说明具体网络层数、胶囊路由机制、损失函数或训练细节，因此不能进一步确定其空间关系建模方式。 作者报告，相较于 ResNet18，Light-ResNet 的参数量减少 84.5%；该数字针对特征提取器，不能据此推断整个 LResCapsule 的参数量、计算量或推理延迟。作者还报告，在 DEAP 和 DREAMER 上，LResCapsule 在 subject-dependent（被试内）与 subject-independent（跨被试）实验中均优于所比较的先进方法。摘要未给出具体指标、分数、基线名单与数据划分，因而尚不能量化收益或比较不同协议下的表现。 复现时值得核对输入预处理、通道与空间组织方式、训练测试划分，以及 Light-ResNet 和胶囊分类器各自的贡献。尤其需区分减少参数带来的收益与空间关系建模带来的收益，并验证这些收益是否在跨被试条件下保持稳定。实验协议、消融及统计信息尚未验证；代码与运行条件亦未由所给材料确认。该工作的直接研究对象是 EEG 情绪识别，现有摘要不足以证明其在其他 BCI 任务中的有效性。