利用3DMMecg特征实现可解释的人工智能辅助心脏病自动诊断：一种基于心电图的新方法

《Biomedical Signal Processing and Control》：Explainable AI for automatic heart disease diagnosis using 3DFMMecg features: A novel ECG-based approach

本研究提出双CNN框架系统分析EEG情感识别中电极数量与空间配置的相对重要性，发现电极数量是主要决定因素，并确定了关键阈值。

　　本研究提出了一种新颖的双卷积神经网络（CNN）框架，旨在系统地分析在基于脑电图（EEG）的情绪识别中，电极数量与空间配置的相对重要性。这一维度在以往的研究中长期被忽视，大多数工作主要关注电极的空间位置。通过使用两个公开数据集（DEAP 和 AMIGOS）以及两种不同的卷积神经网络架构，我们评估了不同电极配置下的模型性能。其中，一个3D CNN被设计用于显式编码电极的拓扑结构，而一个可扩展的2D CNN则用于适应不同数量的电极配置。通过三种电极配置方案——全覆盖、半球/前后分区以及基于象限的分组——我们发现分类准确率主要受到电极数量的影响，而非空间布局。

为了进一步区分电极数量与空间位置对情绪识别的独立影响，我们还设计了数量控制的电极选择策略，包括随机子集和以舒适为导向的布局，并在极端低通道条件下进行了压力测试。结果显示，使用全电极配置的系统在DEAP和AMIGOS数据集上分别达到了93.53%和93.01%的最高准确率，以及95.86%和93.9%的准确率，而随着电极数量的减少，模型性能也随之下降。在电极数量匹配的情况下，子区域配置展现出极低的性能波动（DEAP数据集的CV≤0.43%，AMIGOS数据集的CV≤1.63%），表明在不同脑区之间保持相同的电极数量可以实现稳定的分类表现。

我们还识别出了一些关键的电极数量阈值，例如至少6个电极可以维持超过88%的准确率，而在AMIGOS数据集中，仅使用3个电极会导致准确率下降至83.0%，这表明在极端电极数量减少的情况下，模型对性能的影响非常显著。数量控制的电极选择和压力测试实验进一步证明，当电极数量固定时，不同空间布局下的模型性能波动依然很小（CV≤1%），为电极数量是情绪识别准确率主要决定因素提供了有力的证据。

这一研究挑战了传统的以脑区为单位的情绪处理假设，支持了基于密度优化的EEG配置方法。我们的结果表明，可穿戴情感系统可以通过灵活的电极布局来优先考虑用户的舒适度，而不会牺牲识别性能，前提是保持足够的电极密度。本研究填补了关键的空白，确立了电极数量在模型性能中的主导作用，为设计高效、稳健的脑机接口提供了新的见解和实践指导。

情绪识别是情感计算和脑机接口系统中的一个核心议题，EEG作为一种非侵入式的神经监测手段，能够直接获取个体内部的情感状态。与面部表情或语音等其他模态相比，EEG能够实时捕捉底层的认知和情感过程，使其在适应性和个性化的人机交互场景中具有高度适用性。然而，大多数传统的EEG情绪识别框架基于区域特异性假设，认为特定的情感状态主要与局部脑区相关，例如额叶和颞叶皮层。例如，TSception作为一个代表性的深度学习框架，明确强调前额叶皮层及其空间不对称性作为捕捉情绪相关EEG特征的核心区域。

近年来，神经科学证据逐渐支持一种分布式的、动态的情绪表示模型，认为情绪处理来源于广泛分布且重叠的皮层网络之间的相互作用，并受到个体和情境因素的影响。Du等人通过实验发现，情绪相关的激活不仅局限于局部区域，而是分布于视觉皮层、前额叶区域和边缘系统，这引发了对基于解剖结构的电极选择是否充分的质疑。

尽管关于EEG建模中空间优化的研究不断增多，但对电极数量的独立贡献，即神经采样的密度，仍缺乏深入探讨。大多数现有方法强调“在哪里”放置电极，而较少关注“需要多少”电极才能实现稳健的性能。随着可穿戴和便携式脑机接口系统的不断发展，如何在保证性能的同时减少对用户的干扰，成为设计系统的关键问题。

为此，我们提出了一个双CNN框架，用于系统地研究电极数量和空间配置对EEG情绪识别的相对影响。我们开发了一个3D CNN模型，用于显式编码电极的拓扑结构，并设计了一个可扩展的2D CNN模型，以适应不同数量的电极配置。通过使用DEAP和AMIGOS这两个广泛采用的多模态情感计算数据集，我们比较了全覆盖、半球/前后分区以及基于象限的子集等三种电极配置方案下的模型性能。

此外，为了在控制电极数量的同时，改变空间布局，我们还设计了数量控制的电极选择策略，包括随机子集和以舒适为导向的布局，并在极端低通道条件下进行了压力测试。这些扩展方法提供了直接的证据，表明在EEG情绪识别中，电极数量是影响性能的主要因素，而非空间分布。

本研究做出了三个关键贡献。首先，我们开发了一个双CNN架构，旨在区分电极数量和位置对模型性能的影响。其次，我们识别了关键的电极数量阈值，这些阈值可以维持情绪识别的性能，为低密度EEG系统的设计提供了指导。第三，我们挑战了传统的区域特异性情绪处理假设，通过实验表明，只要保持足够的电极密度，不同空间布局下的模型性能仍然保持一致。

为了支持这一研究，我们回顾了相关的研究成果，从两个角度进行分析：一是情绪表示的神经生理学基础，二是用于EEG情绪分类的深度学习方法和电极选择策略。我们还详细描述了实验所使用的数据集、预处理步骤以及神经网络架构。我们介绍了如何准备和转换EEG数据，并展示了用于评估电极数量和空间配置影响的2D和3D CNN模型的设计。

实验设计部分详细阐述了本研究采用的方法论，包括数据集的选择、网络架构和电极配置策略。为了研究电极数量和空间布局对EEG情绪识别的影响，我们设计了一系列全面的实验，使用了两个广泛采用的多模态情感计算数据集：DEAP和AMIGOS。这两个数据集均在受控的情感诱发条件下提供了多通道的EEG记录，为我们提供了丰富的实验材料。

在结果部分，我们展示了所提出的3D CNN和2D CNN模型在DEAP和AMIGOS数据集上不同电极配置方案下的实验结果。分类准确率、标准差（SD）和变异系数（CV）被用来评估模型在不同电极布局下的性能和稳定性。我们的目标是研究电极数量和位置对情绪分类准确率的影响。

讨论部分总结了实验发现，并探讨了其对EEG情绪识别的启示。我们重新评估了电极数量和位置的作用，分析了模型设计的权衡，并提出了实际的系统开发指南。通过这些分析，我们希望为未来的研究和应用提供有价值的参考。

最后，我们总结了本研究的主要发现，通过使用双卷积神经网络，在两个基准数据集上系统地研究了电极数量和空间配置对EEG情绪识别的相对影响。我们的结果表明，分类准确率主要由电极数量决定，而非空间布局。当电极数量被控制时，即使在不同的解剖区域之间，模型的性能波动也非常小。我们还识别出了一些关键的电极数量阈值，这些阈值对于维持情绪识别的性能至关重要。这些发现为EEG在情感计算和脑机接口中的应用提供了新的视角，并推动了对可穿戴设备设计的进一步思考。