基于神经过程的不确定性感知建模：从缺失通道 EEG 信号中解码情绪

基于摘要分析。本文面向情感 BCI 中通道缺失导致的 EEG 情绪解码困难，提出 Fewer-Channel EEG Neural Processes（FC-EEGNP），利用神经过程学习 EEG 信号与脑区之间具有不确定性的关系，并从有限可用通道重建高空间分辨率 EEG 表征，以保留情绪相关信息。 核心问题是外部环境噪声与被试特异性差异带来的信号不确定性，以及严重干扰造成的通道损坏或缺失。方法的明确机制路径是将少量可用通道的信息用于空间表征重建，再支持缺失通道条件下的情绪识别。摘要未说明神经过程的具体形式、通道与脑区的编码方式、不确定性的表示及使用方式，也未给出重建目标、损失函数或训练与推理流程，因此尚不能确认其输出是否包含可校准的预测不确定性，也不能将表征重建等同于原始 EEG 波形恢复。 作者报告，在三个公开 EEG 数据集上开展实验，并在被试依赖和跨被试等多种情绪识别设置下持续达到最先进性能。摘要未提供数据集名称、被试数量、缺失通道比例与模式、评估指标、具体数值或对照方法，因而无法量化收益或比较不同协议下的表现。被试依赖任务的具体划分也尚未验证，不宜直接视为某一种被试内评估协议。 复现与证据核对宜重点关注：训练与测试采用何种通道缺失机制，是否直接评估损坏通道，通道空间信息如何输入，以及空间重建和不确定性建模分别带来多少收益。实验协议、消融及统计信息尚未验证，代码与复现条件亦无法由摘要确认。该研究直接针对 EEG 情绪识别，但现有材料尚不足以判断其在真实采集干扰、不同设备通道布局或跨会话条件下的可靠性。