跳到正文

算法、任务与模态

DEAP 最新动态

DEAP 研究索引；按可核对的标签归档，不以热度评价质量。

38 条精选近 30 天 1 条共收录 123 条

更新

精选归档 · 第 2 页

1月1日周一第 21–38 条
  1. OpenReview · EEG70

    基于从局部脑区到全脑的层次化时空学习 Transformer 的情绪识别

    基于摘要分析。该研究针对 EEG 情绪识别中脑区空间结构与动态时间依赖难以联合刻画的问题，提出 R2G-STLT，通过从电极级到脑区级的层次化时空 Transformer 学习局部与全局表征。 核心机制包含两个阶段：regional spatial–temporal transformer（RST-Trans）编码器在电极级获取空间信息与上下文依赖，形成局部脑区时空特征；global spatial–temporal transformer（GST-Trans）编码器进一步提取全局时空特征，以刻画不同脑区对情绪识别的影响。摘要明确说明，GST-Trans 使用多头注意力捕获脑区之间的长程时空信息。其方法特点是显式区分脑区内与脑区间的建模层级，而非仅将所有电极作为同一层级处理；具体脑区划分、特征聚合与编码器衔接方式尚未验证。 评估方面，作者报告在 DEAP、SEED 和 SEED-IV 的各频带上开展被试独立（subject-independent）实验，并报告 R2G-STLT 优于若干 state-of-the-art 方法。摘要未提供具体指标、分数、基线名称或数据划分细节，因此不能量化优势，也不能直接比较不同数据集或频带下的结果。 复现与证据核验应关注电极到脑区的映射、输入特征与预处理、频带设置、被试独立划分及训练配置，并核对层次化设计和多头注意力各自的贡献。模型规模、损失函数、代码可用性、消融及统计信息尚未验证；现有材料也不足以判断其在跨会话、跨数据集或不同电极布局下的泛化能力。该研究直接面向 EEG 情绪识别，但摘要中的识别结果不等同于在线 BCI 系统有效性的验证。

    阅读价值：值得阅读的具体原因是其将电极级局部时空建模与脑区间全局依赖建模分层结合，并在多个 EEG 情绪识别数据集上开展被试独立评估；性能优势的幅度及实验可比性尚需全文核验。

1月1日周日
  1. OpenReview · EEG72

    通过层次化自注意力实现情绪定位的 EEG 情绪识别

    基于摘要分析。本文针对 EEG 情绪识别中不同时间片段被统一处理、难以反映长时间内情绪变化的问题，提出两步时空框架：先通过层次化自注意力定位情绪相关片段，再结合通道选择增强情绪识别。作者还定义了 emotion localization（情绪定位）任务，目标是定位情绪更强的片段。 时间建模方面，方法以情绪具有“短期连续性”和“长期相似性”为出发点，联合建模局部与全局时间信息，以寻找与情绪最相关的片段并减轻时间层面噪声的影响。摘要未说明层次划分、注意力计算方式及片段定位输出如何参与最终分类，这些实现细节尚未验证。 空间建模方面，作者采用 squeeze-and-excitation module（SE module）与 channel correlation loss（CC-Loss），以选择与任务最相关的通道、提取更具判别性的空间特征。摘要未提供 CC-Loss 的数学形式、通道相关性的定义，也未明确这里的“选择”是特征重加权还是显式通道筛选，不能据此推断具体机制。 作者报告在 SEED、DEAP 和 MAHNOB-HCI 三个公开数据集上评估了情绪定位与常规情绪识别任务，并报告所提方法优于所比较的现有先进方法；摘要未给出指标、数值、对照方法或被试内、跨被试等划分协议，因此目前无法判断提升幅度及泛化范围。 复现时需重点核对情绪定位的标注来源与时间粒度、情绪强度的操作性定义、片段切分与训练测试划分，以及时间定位和空间模块各自的贡献。实验协议、消融及统计信息尚未验证；代码可用性也尚未确认。该工作直接研究 EEG 情绪识别，但摘要结果不能进一步等同于在线 BCI 的有效性。

    阅读价值：值得阅读的具体原因是将情绪相关片段定位与通道相关性建模结合，直接处理长时间 EEG 中情绪强度不均与无关片段干扰的问题，但定位监督和评估协议仍需全文核对。

  2. OpenReview · EEG71

    STSNet：用于被试独立 EEG 情绪识别的新型时空频网络

    基于摘要分析。本文研究如何利用 EEG 空间、时间与频谱信息的互补性，提高被试独立情绪识别的数据表征能力，提出基于 ManifoldNet 与 BiLSTM 的端到端网络 STSNet，进行时空频特征融合。 核心机制：作者首先在流形空间中构建四维时空频数据表示及另一种时空数据表示，分别输入 ManifoldNet 和 BiLSTM 提取高层特征，再实现时空频特征融合。作者认为，相较于仅融合时空或空频特征的研究，同时利用三个域的互补信息有助于情绪分类。摘要未明确四维表示各轴的含义、流形构造、融合算子、损失函数及训练配置，这些细节尚未验证。 评估与结果：作者在 DEAP 和 DREAMER 两个公开数据集上采用被试独立的留一被试交叉验证，即 Cross-subject 评估。作者报告，在该协议下，DEAP 的 valence（效价）与 arousal（唤醒度）平均 Accuracy 分别为 69.38% 和 71.88%；DREAMER 分别为 78.26% 和 82.37%。这些数值对应不同数据集及情绪维度，不能直接据此比较任务难度或泛化能力。摘要提到进行了广泛的对比实验，但未给出具体基线及其结果，因此尚不能量化 STSNet 相对既有方法的提升。 复现与证据边界：需核对 EEG 预处理、频谱与流形表示的计算方式、情绪标签划分、样本切窗、训练与验证划分，以及融合模块的消融结果。实验协议细节、消融及统计信息尚未验证。现有材料支持其在 EEG 情绪识别中的方法与跨被试评估定位，但不能据此扩展为其他 BCI 任务或在线应用中的已验证效果。

    阅读价值：值得阅读的具体原因是 STSNet 将流形空间中的时空频表示与 BiLSTM 特征融合，并在两个公开数据集上采用跨被试留一被试交叉验证；其增益来源与复现细节仍需全文核对。

  3. OpenReview · EEG72

    基于时频空特征与残差特征金字塔网络的听障及正常听力人群 EEG 情绪识别

    基于摘要分析。该研究面向听障及正常听力人群的 EEG 情绪识别，融合时域、频域和空间信息，并提出残差特征金字塔网络（RFPN）以建模通道关联、提取多尺度特征；在三个公开数据集及作者的听障 EEG 数据集 HIED 上评估情绪分类。 特征构建方面，作者依据 International 10–20 system，将预处理信号、差分熵（DE）、对称差和对称商构成的四个 EEG 特征矩阵进行融合。模型方面，摘要称使用 space-to-depth（S2D）层替代 CNN 骨干，以降低计算量而不影响分类性能，再通过 RFPN 捕获通道相关性及 EEG 特征图的深层多尺度语义信息。具体融合方式、S2D 与 RFPN 的连接结构、训练目标及计算成本对照尚未验证。 作者报告的分类 Accuracy 分别为：DEAP 四分类 93.56%、SEED 三分类 96.84%、SEED-IV 四分类 91.62%，以及 HIED 六分类 87.74%。摘要未说明这些结果属于被试内还是跨被试评估，也未提供数据划分、被试数、对照基线或统计不确定性，因此不同数据集和类别数下的结果不能直接横向比较，亦不能据此推断跨被试或跨会话泛化效果。 作者另报告，听障被试左右脑区情绪反应的差异比正常听力被试更明显；其测量定义、群体比较方式及统计依据尚未验证，不能将该观察直接解释为因果机制或临床标志物。复现时需核对预处理与特征计算、空间排列、训练测试划分、RFPN 与 S2D 的消融及计算量评估；HIED 的获取条件、代码可用性和完整实验协议均尚未验证。

    阅读价值：值得核对其时频空特征融合与 RFPN 的通道关联建模，以及在听障人群情绪识别中的表现，但摘要未明确评估划分，尚不能据此判断跨被试泛化能力。

12月31日周六
  1. OpenReview · EEG71

    任务依赖型生物识别应用中学习个体独特特征所需的最小 EEG 数据量

    基于摘要分析。本研究关注任务依赖型 EEG 生物识别：训练模型以区分个体身份时，每位被试最少需要多少 EEG 数据。其主要贡献是在情感 EEG 数据集 DEAP 上比较不同训练数据量、神经网络学习技术与特征提取方法，估计达到指定测试 Accuracy 水平所需的数据量；研究对象是身份识别，而非运动想象或其他 BCI 控制任务。 方法方面，作者分析了 11780 种训练数据量组合，并采用复杂度递增的多种神经网络学习技术及特征提取方法。摘要明确提及 Power Spectral Density（功率谱密度）和 Wavelet Energy（小波能量），但未提供网络结构、训练目标、特征计算参数及各方法的具体对照结果。 作者报告，在 DEAP 的任务依赖型生物识别评估中，若从去伪迹 EEG 提取功率谱密度或小波能量特征，每位被试分别使用 1 秒和 3 秒数据即可达到超过 95% 和超过 99% 的测试 Accuracy。摘要未说明这些数据是连续片段还是累计时长，也未明确训练与测试的划分、片段是否重叠、是否跨会话及参与身份识别的被试数量，因此不能将该结果解释为任意采集条件下均成立的最低数据需求。 复现时需核对去伪迹流程、采样与分段方式、训练测试隔离、身份类别设置、模型选择过程及多次运行的不确定性。实验协议、消融及统计信息尚未验证。作者认为结果有助于面向真实环境的 EEG 生物识别应用，但摘要所示证据尚不足以确认其对跨会话变化、实际采集噪声或新增用户的稳健性。该数据量结论也不能直接外推至其他 EEG 解码任务。

    阅读价值：值得阅读的是其对 EEG 身份识别训练数据量的系统比较，但作者报告的秒级数据需求依赖 DEAP、任务依赖及去伪迹条件，尚不能直接视为跨会话或实际部署的最低采集要求。

8月17日周三
  1. OpenReview · EEG73

    结合几何深度学习与多通道特征融合的逐通道编码器网络用于头皮 EEG 情感识别

    基于摘要分析。研究针对头皮 EEG 情感识别，以未经处理的 EEG 信号为输入，结合通道专属编码器、图卷积和多头注意力，对 arousal（唤醒度）、valence（效价）与 dominance（支配度）进行低/高二分类。主要贡献是将各通道的特征学习与电极空间关系建模结合，并通过多任务分类器预测三个情绪维度。 机制上，每个通道的编码器采用基于 SincNet 的卷积模块，滤波器在训练中针对情感识别任务微调。得到的特征嵌入进入图卷积网络：通道被表示为图节点，图结构依据采集时电极的相对位置建立，其建模假设是相邻电极捕获的脑活动存在相互影响。多头注意力与图卷积共同使用，以关注不同表示子空间中的特征；随后由深度神经网络多任务分类器输出情绪状态。摘要未说明具体图连接规则、注意力实现、损失函数或网络规模，这些细节尚未验证。 作者报告，在 Dreamer 数据集的 10 折交叉验证下，arousal、valence、dominance 的 Accuracy 分别为 88.24%、88.80%、88.22%；该划分是否严格隔离被试尚未验证。在 Dreamer 的 Leave-One-Subject-Out（LOSO，跨被试）交叉验证下，对应 Accuracy 为 63.71%、64.98%、61.81%；在 DEAP 的 LOSO 评估下，分别为 69.72%、69.43%、70.72%。这些结果属于不同评估协议，不能将 10 折结果直接视为跨被试性能。作者声称优于当时的先进方法，但具体对照方法及协议可比性尚未验证。 复现时应优先核对样本切分、情绪标签二值化规则、电极图构建、通道编码器的参数共享方式，以及 SincNet、图卷积和多头注意力各自的贡献。摘要所称“未经处理”输入的实际预处理边界也需查阅全文确认。被试规模、实验协议细节、消融及统计信息尚未验证；当前证据支持对该情绪识别框架开展方法审查，不足以推断其在其他 EEG 或 BCI 任务中的有效性。

    阅读价值：该研究将可学习频带的通道专属编码器、电极位置图与多任务情绪分类结合，并报告 LOSO 跨被试结果，值得核对其图构建和特征融合对跨被试泛化的实际贡献。

6月3日周五
  1. OpenReview · EEG70

    EEG-GCN：用于单视图与多视图 EEG 情绪识别的时空与自适应图卷积网络

    基于摘要分析。该研究针对 EEG 情绪识别中多通道特征的时空冗余及脑拓扑差异，提出 EEG-GCN，将时空注意力与自适应图卷积用于单视图和多视图情绪识别，并通过多视图方法整合不同 EEG 特征。 核心机制包含三个部分：时空注意力用于自适应捕捉重要时间片段与空间位置信息；自适应脑网络邻接矩阵用于量化通道间连接强度，表征不同情绪情境下的多样化激活模式；多视图方法用于融合不同 EEG 特征。摘要未说明具体特征类型、视图定义、邻接矩阵的学习方式、融合位置、损失函数或训练流程，这些实现细节尚未验证。这里的通道连接强度是模型表征，不能仅凭摘要将其解释为已验证的生理连接。 作者报告，在 SEED 和 DEAP 两个基准数据集上的实验中，所提方法在单视图与多视图条件下均优于其他代表性方法。摘要未提供具体指标、数值、对照方法或数据划分，因而无法判断该结论适用于被试内、跨被试还是其他评估协议，也不能据此认定其跨被试泛化能力。 复现时需核对 EEG 预处理与特征提取、图节点及邻接关系定义、各视图构造方式、训练与测试划分，以及时空注意力、自适应邻接矩阵和多视图融合的消融结果。实验协议、消融及统计信息尚未验证；目前证据支持的是作者报告的 EEG 情绪识别结果，不宜扩展为其他 BCI 任务上的已证实收益。

    阅读价值：值得阅读的具体原因是 EEG-GCN 将时空注意力、自适应通道邻接关系与多视图特征融合结合用于 EEG 情绪识别，可进一步核对各机制的独立贡献及其对不同评估划分的适用性。

1月1日周六
  1. OpenReview · EEG71

    利用对抗学习整合多个 EEG 数据域

    基于摘要分析。研究针对 EEG 情绪识别中低信噪比、被试依赖及设备与实验设置差异导致的泛化问题，提出对抗推断方法，从多个数据源学习来源不变表征，以支持 EEG-based BCI 的多源学习。 核心思路是统一不同来源的 EEG 记录，在表征中抑制与数据来源相关的信息，同时保留情绪分类所需的信息。论文将被试、会话和实验设置视为可能的域差异来源，并将多源学习作为减少域校准需求的一条路径。摘要未披露对抗目标的具体形式、模型结构、训练流程及推理时是否需要目标域数据，不能据此将方法确定为域适应或域泛化协议。 作者使用的情绪识别数据集包括 SEED、SEED-IV、DEAP 和 DREAMER。作者报告，在整合这些来源的实验中，数据来源相关信息泄漏受到抑制，降幅为 35%，同时 EEG 情绪分类性能保持稳定。摘要未说明该降幅对应的泄漏测量指标、比较基线及计算方式，也未给出情绪分类指标或分数，因此不能将其解释为分类 Accuracy 提升，或跨数据集性能已经得到验证。 复现时需核对各数据集的情绪标签映射、通道与预处理对齐、被试及会话划分、来源信息评估方式，以及任务信息保留与来源信息抑制之间的权衡。尤其需要区分多源数据联合训练后的分类表现与对未见数据域的泛化表现。实验协议、消融及统计信息尚未验证；摘要也不足以判断该方法能否迁移至 MI、SSVEP 或其他 BCI 任务。

    阅读价值：值得阅读之处在于将多个 EEG 情绪识别数据集纳入多源对抗学习，并同时考察来源信息抑制与任务性能保留，但其对跨数据集泛化的实际收益仍需核对全文协议。

1月1日周五
  1. OpenReview · EEG71

    从多类别平滑信号中进行在线判别式图学习

    基于摘要分析，当前材料仅包含研究亮点，未取得论文全文。该研究面向图信号分类，提出从多类别平滑信号中学习具有判别性的图结构，并通过在线拓扑推断应对动态环境。其主要研究对象是图结构学习与分类，而非专门的 EEG 解码架构。 机制方面，标题将多类别信号的平滑性作为图学习背景，研究亮点强调判别式学习与在线更新。作者报告，该在线框架具有跟踪最优时变批量解的保证；但平滑性的数学定义、判别目标、优化步骤，以及跟踪保证所依赖的假设和误差界尚未验证，不能据此推断任意非平稳环境下的分类性能。 验证方面，作者报告使用真实 EEG 与金融市场数据，并在 DEAP 数据集的 EEG 情绪识别任务上取得其所称的 state-of-the-art 性能。现有材料未提供具体指标、数值、情绪标签设置、被试内或跨被试划分、在线数据流构造及对照基线，因此尚不能独立核验这一性能结论，也不能将其扩展为其他 BCI 任务上的有效性证据。 阅读与复现时，应重点核对在线图更新如何利用类别信息、训练与测试阶段的监督边界，以及动态图相对固定图的收益。实验协议、消融及统计信息尚未验证；实现代码、预处理流程和复现条件也无法由当前材料确认。该工作已有 EEG 实验，无需通过金融数据结果另行推导 EEG 有效性。

    阅读价值：值得关注其将判别式图学习与在线拓扑推断结合的机制，以及作者所述跟踪时变批量最优解的保证；DEAP 情绪识别效果仍需结合全文中的评估协议与对照核验。

  2. OpenReview · EEG72

    基于三维特征表示与空洞全卷积网络的 EEG 情绪识别

    基于摘要分析。针对高维 EEG 情绪识别中稳健且具有代表性的特征学习问题，研究提出结合三维特征表示与空洞全卷积网络的框架 3DFR-DFCN，将电极空间关系及频带相关信息组织为输入，并引入谱范数正则化以降低模型对受扰动 EEG 特征的敏感性。 方法首先将一维特征序列扩展为不同频带的二维电极网格，以利用通道间与频带间相关信息；再将多个激活模式下的电极网格构建为三维 EEG 数组，捕捉其互补信息。DFCN 对该数组进行跨频带、跨通道特征学习，谱范数正则化项（SNR）用于约束扰动敏感性。摘要未明确激活模式的定义、原始特征类型、三维数组各轴的具体组织方式及正则化的数学形式，这些细节尚未验证。 作者报告在 DEAP 和 DREAMER 上开展了被试依赖与被试独立实验。DEAP 上，两类实验按被试依赖／被试独立顺序，valence 分类平均 Accuracy 为 94.59%／81.03%，arousal 为 95.32%／79.91%，dominance 为 94.78%／80.23%。这些数值属于不同评估协议，不能混为单一性能结论；摘要未提供具体数据划分、分类标签设置、对照基线或 DREAMER 的结果数值。 研究的可核对价值在于检验空间与频带信息联合组织、空洞卷积及谱范数正则化各自的贡献，以及其在被试独立条件下的有效性。复现需核对特征提取流程、电极网格映射、激活模式构造、训练配置与划分协议；实验协议、消融及统计信息尚未验证。摘要提出该信息整合对实际或临床情绪评估有意义，但不能据此视为已完成临床有效性验证。

    阅读价值：值得核对其三维 EEG 特征组织与谱范数正则化如何支持跨通道、跨频带学习，以及 DEAP 上被试依赖与被试独立评估结果的差异，但具体划分和稳健性证据尚未验证。

6月1日周一
  1. OpenReview · EEG72

    基于潜在表征相似性的 EEG 情绪识别域适应

    基于摘要分析。该研究针对 EEG 个体差异导致的跨被试泛化困难，以及信号非平稳性导致的跨会话性能变化，提出基于潜在表征相似性的域适应方法。核心贡献是在优化源域情绪分类的同时，按网络层的功能差异对齐源域与目标域的不同分布，以改善情绪识别模型的迁移能力。 方法使用神经网络构建情绪分类器，训练目标包括降低源域分类误差，并提高源域与目标域潜在表征的相似性。具体而言，早期网络层采用对抗训练适配边缘分布，末端网络层采用 association reinforcement 适配条件分布。作者将同时适配这两类分布解释为对联合分布的近似适配。摘要未提供 association reinforcement 的具体定义、损失公式、网络结构及目标域标签使用条件，这些实现细节尚未验证。 作者报告，在 SEED 的三种情绪状态识别和 DEAP 的四种情绪状态识别评估中，该方法与多种代表性及近期域适应算法比较，达到或超过当时的先进方法。摘要未给出具体指标、数值，也未说明跨被试与跨会话任务各自的数据划分及基线配置，因此不能据此量化提升幅度或直接比较不同协议下的效果。 复现时需核对源域与目标域的构建方式、EEG 预处理与特征、目标域数据及标签的可用性、两类适配目标的实现和权重，以及跨被试、跨会话评估的统计方式。实验协议、消融及统计信息尚未验证；尤其需要查阅全文确认分层适配相对于单独边缘分布适配或条件分布适配的贡献。该研究直接面向 EEG 情绪识别，其结论不宜未经验证外推至其他 BCI 任务。

    阅读价值：值得阅读的具体原因是其按网络层功能分别适配边缘分布与条件分布，为 EEG 情绪识别的跨被试、跨会话域偏移提供了可核对的方法路径，但性能优势及复现条件仍需全文验证。

1月1日周三
  1. OpenReview · EEG77

    面向多模态情绪识别的 EEG 功能连接模式研究

    基于摘要分析。研究针对情感 BCI 中情绪相关脑功能连接尚未充分刻画的问题，提出情绪相关关键子网络选择算法，并将 EEG 功能连接特征与眼动或生理信号融合，用于多模态情绪识别。其核心贡献是从单通道特征转向脑网络表征，同时探索减少 EEG 通道数量的可行性。 技术上，论文考察了三类 EEG 功能连接网络特征：强度、聚类系数和特征向量中心性，并在 SEED、SEED-V 和 DEAP 三个公开情绪 EEG 数据集上评估其判别能力。作者报告，强度特征表现最佳，优于基于单通道分析的 differential entropy 特征；作者还报告厌恶、恐惧、悲伤、快乐和中性五种情绪呈现不同的功能连接模式。摘要未提供连接估计方法、关键子网络选择准则及各单模态对照的具体分数，相关机制与效果幅度尚未验证。 多模态模型采用 deep canonical correlation analysis，结合 EEG 功能连接特征与眼动或生理信号特征。作者报告的分类 Accuracy 在 SEED 上为 95.08/6.42%，在 SEED-V 上为 84.51/5.11%，在 DEAP 的 arousal 和 valence 任务上分别为 85.34/2.90% 与 86.61/3.76%。上述数值保留摘要中的斜杠写法；摘要未说明斜杠两侧的统计含义，也未明确被试内、跨被试或跨会话协议及数据划分，因此不能据此进行跨协议比较。作者将结果解释为 EEG 连接特征与眼动数据具有互补表征能力。 作者另报告，在多模态情绪识别中，18 通道构建的脑网络与 62 通道网络性能相近，并认为减少通道有利于实际 BCI 设置。这是值得核对的部署线索，不等于已完成真实场景验证。复现需核对通道选择方式、连接矩阵构建与预处理、多模态时间对齐、训练及测试划分，以及通道缩减的具体性能差异；实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的是情绪相关关键子网络选择与 EEG 功能连接特征的多模态融合机制，以及作者报告的 18 通道与 62 通道网络性能相近现象，但其评估协议与实际部署适用性尚未验证。

12月31日周二
  1. OpenReview · EEG71

    利用深度学习开展多模态生理传感与基于视觉的情感计算

    基于摘要分析。该研究面向多模态情感计算，将深度学习方法应用于生理传感信号与视频数据，分别评估单模态情绪分类和多模态特征融合，并探索数据集间的迁移及情感状态相关脑区的识别。 研究覆盖 DEAP、MAHNOB-HCI、AMIGOS 和 DREAMER 四个公开多模态情感数据集。摘要以 EEG、ECG 为生理信号示例，但未明确逐个数据集所用的模态组合。其评估路径是先比较各模态的独立分类表现，再融合模态特征；具体特征提取结构、融合方式、损失函数和训练配置尚未验证。 作者报告，在 DEAP 和 MAHNOB-HCI 上，所提算法在 emotion、valence、arousal、liking 分类任务中优于其他研究报告的结果，并为 AMIGOS 和 DREAMER 建立基准。摘要未给出具体指标、分数、对照方法或各数据集对应的任务配置，因此尚不能判断性能优势的幅度及不同研究协议的可比性。 作者还报告，通过合并数据集和使用迁移学习，方法能够应对数据集之间的不一致；分析总体涉及超过 120 名被试和 2,800 次试次。该规模是整体分析范围，不能据此推断各数据集的被试数、训练测试比例，或是否采用被试内、跨被试、跨会话与跨数据集独立测试。数据集差异的具体定义、迁移方向及目标数据使用方式需核对全文。 在解释性分析方面，研究提出利用 convolution-deconvolution network 识别不同情感状态对应的显著脑区。其显著性计算、空间映射和验证依据尚未明确，不能将模型显著区域直接视为已验证的生理机制。复现需进一步确认预处理、标签定义、数据划分、模态同步与缺失处理；实验协议、消融及统计信息尚未验证。该研究与 EEG 情感解码直接相关，但摘要不支持将其结果扩展为在线 BCI 控制性能。

    阅读价值：值得阅读其单模态与多模态特征融合的对照，以及合并数据集和迁移学习处理情感数据集差异的评估，但性能优势及脑区解释仍需结合全文协议核对。

1月1日周一
  1. OpenReview · EEG70

    用于 EEG 情绪识别的 WGAN 域适应

    基于摘要分析。本文研究跨被试 EEG 情绪识别中的域偏移问题，提出 Wasserstein 生成对抗网络域适应框架 WGANDA，通过公共特征空间映射和对抗对齐，缩小源域与目标域的特征分布差异。 核心机制是由类似 GAN 的组件构成两阶段训练流程：预训练阶段将源域和目标域映射到共同特征空间；对抗训练阶段进一步缩小两域映射在该空间中的差距。作者在对抗训练中采用 Wasserstein GAN 梯度惩罚损失，旨在改善训练稳定性与收敛性。摘要未提供网络结构、完整损失公式、各项权重及训练配置，因此不能据此判断具体实现或收敛保证的适用条件。 作者报告，在 SEED 和 DEAP 两个公开 EEG 情绪识别数据集的跨被试评估中，WGANDA 能够处理域偏移，并显著优于所比较的先进域适应方法。摘要没有给出具体指标、数值、基线名称、被试划分或统计检验，因而尚不能量化提升幅度，也不能直接比较两个数据集上的效果。 复现时需核对源域与目标域的构建方式、目标域标签是否参与训练、EEG 预处理与特征提取、训练及测试数据划分，以及预训练和梯度惩罚各自的贡献。实验协议、消融及统计信息尚未验证；该结果针对 EEG 情绪识别，不能据此扩展为其他 BCI 任务的已验证效果。

    阅读价值：值得阅读的具体原因是 WGANDA 将公共特征空间映射与带梯度惩罚的 Wasserstein 对抗训练结合，用于处理跨被试 EEG 情绪识别的域偏移；其相对优势仍需核对完整实验协议与统计证据。

1月1日周日
  1. OpenReview · EEG71

    EEG 情绪识别中的熟悉度效应

    基于摘要分析。该研究考察音乐刺激熟悉度对 EEG 脑活动及情绪识别的影响，使用作者自采实验数据与 DEAP dataset，探讨这一主观因素是否影响情绪标注和分类表现。 实验设计方面，作者在熟悉度研究中允许被试选择数量相同的熟悉与不熟悉歌曲，并强调音乐体验中的情绪具有主观性，因此应记录被试自我报告的情绪。摘要未提供被试数量、熟悉度量表、情绪标签定义或具体样本划分，不能据此判断结论是否适用于被试内、跨被试或跨会话识别。 作者报告，音乐熟悉度在一定程度上影响 EEG 功率谱及脑功能连接。在进一步的情绪识别实验中，作者报告，仅使用低熟悉度歌曲可改善采用 fractal dimension（分形维数）或 power spectral density（功率谱密度）特征，并使用 support vector machine、multilayer perceptron 或 C4.5 分类器的系统表现。摘要没有给出具体指标、提升幅度及各特征—分类器组合的结果，不能确定这一优势是否在全部组合中一致成立。 这项工作的主要贡献是揭示刺激熟悉度可能影响 EEG 情绪识别，而非提出新的分类架构。作者据此认为不熟悉歌曲更适合构建情绪识别系统，但这一结论的适用范围仍需核对：熟悉度是否与歌曲属性、情绪强度或个体偏好共同变化，以及训练与测试刺激如何分配。完整实验协议、消融及统计信息尚未验证；复现需取得刺激选择与熟悉度记录方式、情绪自评流程、EEG 预处理、特征计算和分类评估设置。该摘要不支持将其结论直接推广至其他刺激类型或一般 BCI 任务。

    阅读价值：该研究值得用于核对音乐刺激熟悉度是否构成 EEG 情绪识别的实验混杂因素，作者报告的低熟悉度刺激优势仍需结合数据划分与统计结果验证。

1月1日周五
  1. OpenReview · EEG73

    基于多模态深度学习的多模态情绪识别

    基于摘要分析。该研究针对多生理信号情绪识别，采用多模态深度学习构建情感模型，目标是改善识别性能并降低实际应用中的生理信号采集成本。其主要贡献是围绕单模态增强、多模态促进及跨模态学习，考察 Deep AutoEncoder（DAE）与 Bimodal Deep AutoEncoder（BDAE）生成的共享表征。 技术上，摘要将 DAE 共享表征用于单模态增强，将 BDAE 用于多模态促进；跨模态学习则考察 EEG 与眼动表征之间的训练—测试迁移。摘要未提供编码器结构、共享表征的具体构造方式、损失函数或训练流程，因此尚不能判断不同模态如何对齐，以及推理阶段需要哪些信号。 作者报告：在单模态增强任务中，使用 DAE 共享表征在 SEED 上取得最高 Accuracy 82.11%；在多模态促进任务中，BDAE 在 SEED 和 DEAP 上的平均 Accuracy 分别为 91.01% 和 83.25%。作者称其优于当时的先进方法，但摘要未列明具体对照及其协议，不能据此判断优势幅度或公平可比性。 在 SEED 的跨模态学习任务中，作者报告，以 EEG-based DAE 生成的共享表征作为训练样本、以 eye-based DAE 生成的共享表征作为测试样本，并反向交换训练与测试模态，平均 Accuracy 为 66.34%；摘要未明确该数值如何在两个方向间汇总。 上述结果的被试内或跨被试设置、跨会话设置、数据划分及平均方式尚未验证，不宜将不同任务的 Accuracy 直接比较。实验协议、消融及统计信息尚未验证；降低采集成本是否在实际部署中实现，也需结合全文中的模态使用条件核对。

    阅读价值：值得阅读的具体原因是其将多模态情绪识别区分为单模态增强、多模态促进和跨模态学习，可用于考察 EEG 与眼动共享表征的作用，但各任务的数据划分与采集成本收益尚需全文核对。

  2. OpenReview · EEG77

    识别用于 EEG 情绪识别的跨时间稳定模式

    基于摘要分析。该研究关注与不同情绪相关的 EEG 模式能否随时间保持稳定，通过机器学习流程比较特征提取、特征选择、特征平滑及模式分类方法，并分析情绪相关频段与脑区模式的跨会话一致性。其主要贡献是把时间稳定性作为 EEG 情绪识别的重要研究问题，而不只考察单次分类表现。 研究使用 DEAP 和作者为本研究新开发的数据集进行评估；摘要未提供新数据集名称、被试数量、采集间隔、标签构建方式或训练与测试划分，也未列出具体算法及其配置。特征平滑可能影响时间稳定性的评估，因此其实施方式与训练、测试边界是全文阅读时需要核对的事项，现有材料不足以判断。 作者报告，所识别的稳定模式在不同会话间表现出一致性：与负性情绪相比，正性情绪在外侧颞区呈现更强的 beta 和 gamma 频段活动；中性情绪在顶区与枕区呈现更高的 alpha 响应；负性情绪在顶区与枕区呈现更高的 delta 响应，并在前额区呈现更高的 gamma 响应。作者还报告，情绪识别系统的表现支持这些模式在会话内和会话间相对稳定，但摘要没有给出分类指标、数值或统计检验细节。 这些结果可为考察 EEG 情绪识别中频段—脑区特征的跨会话可重复性提供依据，但不能直接等同于已验证的 Cross-subject 泛化能力或长期实际应用效果。实验协议、对照结果、消融及统计信息尚未验证；复现前需核对数据可用性、预处理与伪迹处理、特征定义、会话划分，以及稳定性的量化标准。

    阅读价值：值得阅读之处在于将 EEG 情绪识别的关注点从单次分类表现延伸至跨会话模式稳定性，并系统比较特征处理与分类方法，但稳定性的统计依据及评估协议仍需全文核对。

1月1日周二
  1. OpenReview · EEG71

    基于深度信念网络的 EEG 情感状态识别

    基于摘要分析。该研究针对 EEG 情感状态识别中高维特征与少量标注样本的不匹配，以及任务无关通道引入噪声的问题，提出 Supervised DBN based Affective State Recognition（SDA）模型，组合特征降维、通道筛选和监督分类。 核心流程是先对每个 EEG 通道分别使用 Deep Belief Networks（DBN），从数千维特征中提取低维表征，再通过作者提出的刺激—响应模型，依据各通道的响应率选择通道集合。最后，将所选通道的低维特征组合，交由监督式 Restricted Boltzmann Machine（RBM）进行情感状态识别。其方法价值在于同时处理特征维度和通道相关性，而不只是直接对全部通道特征进行分类；但降维能否稳定缓解小样本问题，仍需通过完整实验核对。 作者报告，在 Deap Dataset 上与五个基线比较，SDA 的性能提升幅度为 11.5% 至 24.4%。摘要未明确该数字对应的指标、相对增幅还是百分点差，也未提供情感标签定义、被试数量、数据划分或被试内／跨被试协议，因此不能将其解释为 Accuracy 提升，也不能据此判断跨被试泛化能力。 复现需核对输入特征构成、DBN 结构与训练流程、通道响应率的定义及筛选规则、监督式 RBM 的训练目标，以及基线配置和评估协议。尤其需要确认特征学习与通道选择在数据划分中的执行范围，以评估结果的可比性。全文、实现可用性、实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的是其将逐通道 DBN 降维、刺激—响应通道选择与监督式 RBM 分类结合，以应对 EEG 情感状态识别中的高维小样本与无关通道问题，但摘要中的性能提升仍需结合具体指标及数据划分核对。