MSCGC-KAN：用于脑电图情绪识别的多尺度因果图卷积和受 KAN 启发的分析基础映射

基于脑电图（EEG）的情绪识别是一项重要的情感计算任务，最近的脑电图基础模型为下游适应提供了有用的通用表示。然而，在微调设置下，三个局限性仍然突出：多尺度情感动力学建模不足、通道间功能连接开发不足以及简单线性分类头的表达能力有限。为了解决这些问题，本文提出了一种新的脑电情感识别方法，称为MSCGC-KAN，该方法引入了由多尺度因果图卷积和Kolmogorov-Arnold特征映射组成的结构化任务头。 MSCGC-KAN 建立在预先训练的 CBraMod 主干基础上，通过在紧凑的特定任务头部内联合加强多尺度时间建模、可学习的通道间连接建模和非线性判别映射，增强了下游适应能力。这种设计保留了基础模型的表示优势，同时使分类器对与情感相关的时空模式更加敏感。在公共 FACED 和 SEED-VII 数据集上进行了大量实验。该方法在 FACED 上实现了 60.66% 的平衡精度、0.5525 的 Cohen's Kappa 和 60.40% 的加权 F1 分数，在 SEED-VII 上分别获得了 33.27%、0.2223 和 33.64%。与 CBraMod+Linear 基线相比，两个数据集上的平衡精度分别提高了 5.91 和 2.03 个百分点。这些结果表明，在 微调 预训练脑电图模型时，结构化任务头设计是提高脑电图情感识别的有效方法。