Mental State Classification Using Multi-graph Features
利用多图特征进行心理状态分类AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要讨论脑电多图特征与心理状态分类，未提供对应经济网络、因果推断或计量时间序列方法的充分证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用多图特征进行心理状态分类
- 研究问题
- 如何从被动多通道脑电信号中提取传感器依赖结构特征，用于压力、认知负荷等心理状态分类，并补充传统频带功率信息？
- 方法与思路
- 作者将传感器间相关等统计依赖关系表示为随时间变化的图，使用多图工具提取特征，并在三项分类实验中比较频带功率特征。
- 材料陈述的贡献
- 摘要称，多图特征与频带功率特征提供互补的预测信息，且重要通道及通道对的分类作用具有神经科学上的合理性。
- 阅读关注点
- 应核对图构造与特征定义、训练测试划分是否避免个体或时间泄漏，以及互补预测信息和神经科学合理性的判断依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未经核验；摘要未给出样本规模与分类指标，统计依赖图也不能直接解释为因果网络。
原文摘要
We consider the problem of extracting features from passive, multi-channel electroencephalogram (EEG) devices for downstream inference tasks related to high-level mental states such as stress and cognitive load. Our proposed method leverages recently developed multi-graph tools and applies them to the time series of graphs implied by the statistical dependence structure (e.g., correlation) amongst the multiple sensors. We compare the effectiveness of the proposed features to traditional band power-based features in the context of three classification experiments and find that the two feature sets offer complementary predictive information. We conclude by showing that the importance of particular channels and pairs of channels for classification when using the proposed features is neuroscientifically valid.