面向情绪理解的 EEG 相位脑网络时空协同识别

基于摘要分析。该研究面向 EEG 情绪识别，针对静态频带难以捕捉非平稳动态、个体差异较大，以及图节点聚合可能造成特征退化的问题，提出 Spatial-Temporal Electroencephalograph Collaboration（Stella）框架，联合建模脑连接与局部时序动态。 机制上，Adaptive Bands Selection（ABS）模块动态提取低频和高频成分，形成双路径特征：相位脑网络用于连接建模，时间序列表示用于刻画局部动态。Fourier Graph Operator（FGO）在谱域中操作，旨在缓解特征退化；Spatial-Temporal Encoder（STE）则用于增强表示的稳定性与密度。摘要未展开频带选择的学习方式、相位连接的计算方法、谱域算子的具体定义、编码器结构及训练目标，这些细节尚未验证。 相较于摘要所述的静态频带与 GCN 路线，研究的主要方法价值在于把动态频率提取、连接表示和时序表示纳入同一框架，并尝试从谱域处理节点聚合带来的表示问题。作者报告，Stella 在基准 EEG 数据集的情绪识别实验中达到最先进性能；但摘要未提供数据集名称、被试数量、被试内或跨被试等评估协议、指标数值及对照基线，因此该结论目前只能作为作者报告，不能据此判断其跨被试泛化优势。 摘要提供了代码仓库，可作为复现入口，但代码完整性与可运行性尚未验证。阅读全文或复现时，应重点核对数据划分与预处理、ABS 的频带适应行为，以及 FGO、STE 和双路径表示各自的消融贡献；实验协议、消融及统计信息尚未验证。当前证据支持将其视为 EEG 情绪识别方法研究，不宜外推为其他 BCI 任务上的已验证效果。