PGCN：用于 EEG 情绪识别的金字塔图卷积网络

基于摘要分析。该研究针对 EEG 情绪识别中浅层 GCN 难以利用头皮电极间长程依赖、增加网络深度又可能导致过平滑的问题，提出 Pyramidal Graph Convolutional Network（PGCN），通过局部、中观和全局三个层级聚合特征，增强电极关系建模。 局部层级依据电极的三维拓扑关系构建常规 GCN，聚合二阶局部特征；中观层级依据先验知识划分若干脑区，通过中观注意力依次计算虚拟中观中心，关注脑区层面的功能连接；全局层级融合节点特征及其三维位置，构建数值关系邻接矩阵，以整合结构与功能连接。其主要方法价值在于以多尺度关系聚合扩展感受野，而非仅依靠堆叠更多图卷积层。 作者报告，在四个公开数据集的被试依赖与被试独立评估场景中，PGCN 达到当时最先进的性能，并在增强网络深度、扩大感受野与抑制过平滑之间取得有效权衡。摘要未提供数据集名称、具体指标与数值、被试数量、数据划分或对照基线，因此尚不能判断性能增益的幅度及不同协议下的可比性；也不能直接将上述场景等同于特定的被试内或跨被试划分协议。 复现时需核对电极三维坐标与图构建方式、先验脑区划分、虚拟中观中心的计算过程，以及全局邻接矩阵的生成与训练方式。重点验证三层级模块的消融结果、长程关系利用情况及过平滑的评估依据。实验协议、消融及统计信息尚未验证；代码与其他复现资源的可用性也尚未确认。该研究直接面向 EEG 情绪识别，摘要所述结果不构成精神疾病诊断或康复的临床验证证据。