利用空间一维自注意力结合大脑有效连接网络（brain effective connectivity network）和频谱功率（spectral power）的特征进行情感识别

《Cognitive Neurodynamics》：Emotion recognition using spatially unidimensional self-attention with fusion feature of brain effective connectivity network and spectral power

EEG情绪识别通过融合二维脑有效连接特征与一维频谱功率特征，结合空间自注意力双通道1D-CNN模型，在SEED和SEED-IV数据集上分别达到90.61%和82.13%的准确率，优于现有方法2.68%。

　　

摘要

基于脑电图（EEG）的情绪识别对于推动人机交互（HCI）的发展至关重要，而脑网络特征已成为研究的重点。虽然现有方法通常将脑网络特征与传统的单通道特征结合以提高识别性能，但这种直接的结合会削弱脑网络的空间信息，从而阻碍深度学习的有效应用。在这项工作中，我们提出了一种新颖的特征融合策略，该策略能够在保留空间信息的同时，有效地将二维脑有效连接性（BEC）网络特征与一维频谱功率特征相结合。为了利用脑网络的空间拓扑特性以及融合特征中的一维相关性，我们进一步引入了一种基于空间单向自注意力（SAD-1D-CNN）的双通道1D-CNN，旨在通过捕捉组合数据中的空间相关性来提取具有区分性的特征。实验结果显示，在SEED数据集上的准确率为90.61%，在SEED-IV数据集上的准确率为82.13%（比现有最佳方法高出2.68%）。全面的测试证实了我们的融合策略和SAD-1D-CNN在情绪识别方面的优越性。参数可视化显示了注意力模块能够自动聚焦于与情绪相关的核心脑区，而消融实验验证了每个网络模块的必要性。这些发现为推动情绪识别研究提供了新的视角。