基于脑区知识的 EEG 情绪识别双流 Transformer

基于摘要分析。本文研究 EEG 情绪识别中电极位置变化可能造成的特征不稳定问题，提出 Brain Region Knowledge based Dual-Stream network（BRKDSnet），通过双流架构融合时间、频谱与空间特征，并利用脑区划分先验将通道特征聚合为脑区特征。 核心机制是以脑区为单位组织 EEG 通道信息，降低表征对单个电极位置的依赖。作者认为，这种聚合可缓解消费电子设备佩戴时电极位移引入的噪声，并学习更稳健的特征。标题将方法描述为双流 Transformer，但摘要未给出两条流的具体分工、注意力结构、脑区划分依据、聚合算子、损失函数及训练设置，这些细节尚未验证。 作者报告，在 SEED 和 SEED-IV 上的 Accuracy 分别为 97.81% 和 90.76%，并称达到最先进结果。摘要未说明这些数值对应被试内、跨被试还是跨会话评估，也未提供数据划分及具体对照方法，因此不能据此与其他协议下的成绩直接比较。作者还报告相对已有工作的提升范围，但原文的百分比记法未明确区分相对增幅与百分点差值，需结合全文核对。 作者报告，可视化分析显示颞叶 EEG 通道对情绪分类的贡献最大，并据此提出可穿戴应用的潜力；这一结果不等同于已验证少通道设备的性能或颞叶活动的因果作用。复现时应重点核对电极位移是否经过显式扰动或真实佩戴变化测试、脑区先验相对其他通道分组的收益，以及时间、频谱、空间特征各自的贡献。实验协议、消融及统计信息尚未验证。