基于CBAM-LSTM-Attention融合架构与XGBoost通道选择的EEG信号情绪识别研究

本文提出了一种创新的CBAM-LSTM-Attention混合模型，通过XGBoost算法优化EEG通道选择，显著提升了情绪识别的准确率与计算效率。该模型融合通道-空间注意力模块（CBAM）与多头时间注意力机制，在DEAP数据集上单通道分类唤醒度（arousal）和效价（valence）分别达95.108%和94.862%，为轻量化脑电情感计算提供了新范式。

　　

Highlight

本研究的主要贡献与创新点如下：

• •
  （1）新颖的混合注意力融合架构：核心创新在于提出的CBAM-LSTM-Attention模型，独特融合了两种注意力机制。该架构协同结合通道-空间注意力模块以精确定位关键局部特征，与时间域多头注意力模块（Multi-head Attention）共同捕捉全局时间序列依赖关系，再输入LSTM层进行解码。这种双焦点策略能够实现比孤立处理这些域的方法更全面、更精确的特征提取能力。
• •
  （2）高效的高精度单通道识别方法：本研究引入了基于XGBoost算法的通道评分方法，显著降低模型复杂度。其独特贡献在于证明：仅使用单个信息最丰富的EEG通道（如T8），模型即可实现极具竞争力的分类准确率，甚至超越许多现有多通道方法。这一发现为开发轻量化、实用且计算高效的情绪识别系统提供了可行路径。
• •
  （3）新的性能基准：所提出的CBAM-LSTM-Attention模型在公开DEAP数据集上展现了卓越性能。使用多通道数据时，模型对唤醒度（arousal）和效价（valence）的平均准确率分别达到98.79%和97.25%。这一结果超越了对比列表中其他先进方法的性能，为基于EEG的情绪识别任务设立了新的更高性能基准。

Conclusions and future work

本研究通过提出新颖的CBAM-LSTM-Attention模型，解决了基于EEG情绪识别中的高维度和复杂特征提取挑战。通过集成XGBoost进行通道选择，该模型在DEAP数据集上表现出色。具体而言，对于单通道EEG信号，其对唤醒度（arousal）和效价（valence）的平均准确率分别达到95.108%和94.862%；对于多通道信号，准确率则分别为98.790%...