跳到正文

算法、任务与模态

SEED 最新动态

SEED 研究索引；按可核对的标签归档，不以热度评价质量。

44 条精选近 30 天 6 条共收录 78 条

更新

精选归档 · 第 3 页

1月1日周三第 41–44 条
  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。

1月1日周二
  1. OpenReview · EEG72

    识别用于 EEG 情绪识别的功能脑连接模式

    基于摘要分析。该研究针对单通道 EEG 情绪分析难以刻画通道间功能连接的问题，探索不同被试间与情绪相关的共同连接模式，并提出关键子网络选择方法，从脑连接网络中提取拓扑特征用于情绪识别。 方法上，作者构建脑连接网络并提取 strength、clustering coefficient 和 eigenvector centrality 三类特征，分别表征节点连接强度、局部聚集程度及网络中的中心性。摘要涉及 coherence 连接分析和决策级融合，但具体连接估计流程、关键子网络选择准则、分类器及融合实现尚未验证。 作者报告，在公开情绪 EEG 数据集 SEED 的五折交叉验证中，观察到与不同情绪相关的共同连接模式：快乐情绪在额部 alpha、beta 和 gamma 频段的 coherence 连接显著较高；悲伤情绪对应顶叶及枕叶 delta 频段；中性情绪对应额部 delta 频段。这里的结果属于作者报告的功能连接关联，不能据此推断情绪的因果神经机制。 作者报告，在上述 SEED 五折交叉验证条件下，拓扑特征明显优于传统功率谱密度特征；决策级融合取得最高 Accuracy 87.04%，并称相较同一数据集上采用 differential entropy 特征的当时最先进结果提升 3.78%。摘要未明确该提升是相对百分比还是百分点，因此保留原文表述。 复现时需核对五折划分是否按样本、被试或会话进行，以及子网络选择是否仅使用训练折数据；这些是待核对事项，而非已确认的问题。虽然研究目标涉及不同被试的共同模式，摘要不足以将该结果认定为 Cross-subject 评估。被试数、预处理、频段定义、统计检验、对照协议和消融信息尚未验证。

    阅读价值：值得阅读其关键子网络选择与连接拓扑特征方法，以及相对功率谱密度和 differential entropy 的比较，但需核对五折交叉验证的划分单位后再判断跨被试适用性。

  2. OpenReview · EEG74

    基于 EEG 与眼动信号的五类情绪分类：判别能力与随时间的稳定性

    基于摘要分析。该研究考察 EEG 与眼动信号对快乐、悲伤、恐惧、厌恶和中性五类情绪的判别能力及随时间的稳定性，构建包含 16 名被试的多模态情绪数据集 SEED-V，并比较单模态分类与特征级融合（FLF）。 方法方面，作者分别基于 EEG 和眼动信号训练分类器，并使用 EEG 地形图呈现神经活动模式。摘要未说明分类器类型、具体特征提取方法及 FLF 的实现细节，这些内容尚未验证。 结果方面，作者报告 EEG、眼动与 FLF 的平均 Accuracy 分别为 70.8%、59.87% 和 75.13%。这些数字来自摘要所述五类情绪分类实验，但训练与测试划分、被试内或跨被试协议、是否跨会话评估及平均方式尚未明确，不能据此推断跨被试或跨会话泛化效果。作者报告 beta、gamma 频段的判别能力优于 delta、theta、alpha 频段。 关于时间稳定性，作者报告不同情绪存在跨会话共有的稳定神经模式；其中，厌恶情绪在额区表现出较高的 gamma 响应，恐惧情绪在脑顶部区域表现出较低的 gamma 活动。这些属于作者依据 EEG 空间模式得出的结论，不宜进一步解释为已验证的因果机制或个体级情绪标志物。 阅读与复现时应重点核对会话安排、稳定性的量化定义、数据划分、预处理及眼动伪迹处理，确认分类结果与空间模式分析之间的证据关系。实验协议、消融及统计信息尚未验证；数据和代码的开放情况也尚未验证。

    阅读价值：该研究提供 SEED-V 五类情绪的 EEG、眼动及特征级融合对照，并考察跨会话神经模式稳定性，值得核对其评估划分及稳定性证据后复现。

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。