EGNN-C+：可解释的演化粒化神经网络及其在弱监督 EEG 数据流分类中的应用

基于摘要分析。本文研究弱监督、时变 EEG 数据流的增量分类，提出演化粒化神经网络分类器 eGNN-C+ 的改进学习算法，并应用于游戏诱发的情绪相关 EEG 模式识别。核心贡献是调整双边界超盒的适应机制，使外盒侧重数据覆盖与噪声抑制，内盒保持适应漂移的灵活性。 方法机制：模型以双边界超盒表示信息粒，从零开始演化，可在数据流中动态纳入新类别，并执行局部增量特征加权。这些设计面向类别变化与非平稳输入，而非固定批量训练。摘要未说明弱监督标签的具体来源、可用比例或到达时序，超盒更新规则、特征权重计算及漂移处理细节尚未验证。 数据与评估：作者使用一个公开数据集，包含 28 名参与者玩电脑游戏时采集的 EEG，并提取 Fourier 频谱特征。游戏分别诱发无聊、平静、恐惧或喜悦四类主要情绪。作者分析单个电极、时间窗长度及频带对用户独立模型 Accuracy 和可解释性的影响；“用户独立”对应的具体被试划分、数据流排序及训练测试流程尚未验证，不能据此认定采用了某一明确的 Cross-subject 协议。 结果：作者报告，在该时变四分类问题中，使用 10 秒时间窗取得 81.7% Accuracy，解释性指标 II 为 0.0029；II 的定义、取值方向和对照结果尚未验证。作者报告双侧脑半球均对分类有贡献，其中颞区 T8、顶区 P7 较突出，额区和枕区电极也有贡献；Alpha（8–13 Hz）、Delta（1–4 Hz）、Theta（4–8 Hz）与情绪类别的对应程度依次较高。这些发现属于该数据与分析条件下的结果，不能直接扩展为普适的情绪神经标志物。 复现需核对公开数据集名称、预处理及频谱特征定义、弱监督设置、超盒更新与类别新增条件，以及用户独立划分和 II 指标实现。对照基线、消融、统计不确定性和实验协议尚未验证；现有摘要不足以判断改进幅度或其对其他 EEG 任务的适用性。