使用三维卷积神经网络进行情绪识别的 EEG 时空表征

基于摘要分析。该研究针对 EEG 情绪识别中仍依赖手工特征提取的问题，提出将原始 EEG 按电极位置重建为时空数据，并使用三维卷积神经网络（3D CNN）学习情绪分类表征。其主要贡献在于将电极空间布局与信号时间变化组织为适合 3D CNN 处理的输入。 具体而言，作者先将多通道一维 EEG 时间序列按原始电极位置重构为二维 EEG 帧，再沿时间轴拼接这些帧，形成三维 EEG 流。该表示使网络能够联合处理空间与时间信息，而不必以预先提取的手工特征作为主要输入。摘要未说明空间网格映射、无电极位置的填充方式、时间窗口长度及信号预处理细节，这些实现条件尚未验证。 在 DEAP 数据集上，作者报告效价（valence）二分类、唤醒度（arousal）二分类及四分类的 Accuracy 分别为 99.11%、99.74% 和 99.73%。摘要未提供这些结果对应的被试内或跨被试设置、训练测试划分及窗口采样协议，因此不能据此判断其对新被试或新会话的泛化能力，也不宜直接与不同协议的结果比较。 作者还报告比较了多种输入表示与 2D/3D CNN 的组合，并通过实验考察卷积核形状和输入数据形状；作者据此认为，利用 EEG 数据特性的表示与网络能够优于采用手工特征的方法。具体对照配置、差异幅度、消融及统计信息尚未验证。复现时应优先核对电极到网格的映射、输入形状、网络配置以及数据划分单位，尤其需明确同一被试或同一试次生成的窗口如何分配至训练集与测试集。