Journal of Neural Engineering（Crossref）·· 4 小时前AI 评分35
DSGTANet：用于跨受试者连续 EEG 情绪识别的半监督双流图-时序自适应网络
DSGTANet: A semi-supervised dual-stream graph-temporal adaptation network for cross-subject continuous EEG emotion recognition
AI 导读
研究提出半监督框架 DSGTANet，用于跨受试者连续 EEG 情绪识别，包含空间结构流、时序动态流与可靠性驱动融合对齐模块。团队自建含 6 种动态情绪转换、40 名受试者连续标签的 EEG 数据集，并在该数据集与公开 DEAP 数据集上验证，DSGTANet 在 valence 与 arousal 回归上优于现有方法。
AI 要点
团队
论文作者提出 DSGTANet，具体机构与末位作者原文未提及。
主要结果
在自建数据集和公开 DEAP 数据集上，DSGTANet 在效价与唤醒度回归上优于现有方法，准确性和鲁棒性更好。
解决什么问题
针对情感标签稀缺、跨被试分布偏移和异质回归噪声，实现跨被试连续 EEG 情感识别。
方法
采集 40 名参与者的六种动态情感转换连续标签 EEG 数据集；双流含空间图结构流与 Transformer 时序流，配可靠性驱动融合对齐。
局限
从研究设计看，为方法学研究，未报告临床或在线 BCI 应用验证。
AI 依据原文整理，未经人工核对。
来源：Journal of Neural Engineering（Crossref） · doi.org