Grop：用于 EEG 情绪识别的图正交净化网络

基于摘要分析。该研究针对 EEG 情绪识别中情绪无关表征与个体差异干扰稳健特征提取的问题，提出 Graph Orthogonal Purification Network（Grop）。其核心思路不是仅挖掘情绪相关信息，而是同时建模情绪相关与情绪无关信息，通过正交净化与分布对齐提升表征的个体适应性。 方法包含三个模块：图表征提取模块利用双图捕获两类特征；表征正交净化模块通过特征投影和特征净化去除冗余信息；双情绪空间对齐模块用于对齐不同情绪特征空间中的分布差异。摘要未给出双图的构建方式、两类表征的监督或划分依据、正交约束与对齐损失的具体形式，训练及推理流程尚未验证。 作者报告在两个公开 EEG 情绪数据集 SEED 和 SEED-IV 上开展实验，并达到 state-of-the-art 性能，能够提取稳健情绪特征、缓解被试内与跨被试差异。但摘要未提供具体指标、数值、数据划分或对照基线，因此不能将这一结论视为已核实的特定被试内或跨被试协议优势，也不能进行定量比较。 阅读全文时应重点核对：情绪相关与情绪无关特征如何被区分，正交净化是否保留了有效情绪信息，双空间对齐在训练和推理时依赖哪些数据，以及三个模块分别带来的收益。实验协议、消融及统计信息尚未验证；代码可用性、预处理流程和复现条件亦尚未验证。该工作直接面向 EEG 情绪识别，其结论不能据此推广为其他 BCI 任务上的有效性证据。