一种针对基于脑电图（EEG）的情绪识别的优化球形空间频率自卷积神经网络

《Biomedical Signal Processing and Control》：An Optimised Spherical Spatial-Frequency Self-Convolutional Neural Network for EEG-Based Emotion Recognition

EEG情绪识别研究提出S2FSCNN-PKOA模型，通过DBLSHF预处理和mADCT特征提取，结合空间频率卷积与注意力机制，在DEAP和SEED数据集上实现99.7%准确率，较现有模型效率提升28%-18%。

　　在当前的科技发展背景下，情感识别技术正逐步成为人机交互、心理健康监测以及脑机接口（BCI）系统的重要组成部分。情感不仅影响个体的感知、决策和行为，还对认知功能产生深远影响。因此，开发一种能够准确捕捉和分类情感状态的系统，对于提升人机交互的智能化水平具有重要意义。随着神经科学和人工智能技术的进步，基于脑电图（EEG）的情感识别方法正在成为研究的热点。然而，EEG数据本身具有噪声大、高维性和复杂性的特点，这给情感分类带来了诸多挑战。传统的情感识别方法通常依赖于手工提取的特征，难以全面捕捉EEG信号中蕴含的复杂情感模式。此外，现有的深度学习模型在处理EEG数据时，往往无法充分考虑其空间和频率特性，导致分类精度受限。针对这些问题，本研究提出了一种全新的深度学习框架——球形空间-频率自卷积神经网络（S2FSCNN），并结合了一种优化算法—— Pied Kingfisher Optimisation Algorithm（PKOA），以提高模型的性能和效率。

EEG信号作为反映大脑活动的重要工具，广泛应用于BCI系统中，以实现人脑与数字设备之间的直接通信。在医疗、娱乐、教育和安全监控等多个领域，EEG技术都展现出了巨大的潜力。尤其是在BCI系统中，EEG信号的分析能够帮助残疾人通过解读脑电波来操作外部设备，从而提升其生活质量。然而，EEG信号的获取和处理过程面临诸多困难。首先，EEG信号本身容易受到环境噪声和生理噪声的干扰，导致信号质量下降。其次，EEG数据具有高维度和非线性特征，传统的线性模型难以有效处理这些复杂的数据结构。最后，EEG信号的时间序列特性使得捕捉其长期依赖关系成为一大挑战。因此，为了提升情感识别的准确性，需要引入更加先进的深度学习方法，并结合有效的预处理和优化策略。

在情感识别的研究中，特征提取方法是关键的一环。传统的特征提取技术如功率谱密度（PSD）、熵、小波变换（WT）和经验模态分解（EMD）等，虽然在一定程度上能够反映EEG信号的特性，但它们通常需要复杂的参数调整，并且可能无法全面捕捉信号中的非线性、瞬态和局部化特征。相比之下，自适应离散余弦变换（ADCT）因其在保持低频和高频成分方面的灵活性，成为一种更具潜力的特征提取工具。然而，ADCT在应用过程中仍存在一些局限性，例如其对高频率成分的处理可能不够精细，影响最终的情感分类效果。为此，本研究提出了一种改进的ADCT方法——修改后的自适应离散余弦变换（mADCT），以更好地提取EEG信号中的频率域特征，从而提升模型的分类能力。

为了进一步提高模型的性能，本研究还引入了一种新的预处理方法——双双边最小二乘混合滤波（DBLSHF）。该方法旨在提高信号的信噪比（SNR），同时保留EEG信号中关键的情感特征。DBLSHF通过结合双边滤波和最小二乘滤波的优势，能够有效去除噪声，同时保留信号的细节信息。这一预处理步骤对于后续的情感分类至关重要，因为它能够显著提升特征提取的质量，从而为模型提供更可靠的数据输入。

在模型设计方面，S2FSCNN结合了空间和频率域的处理机制，以更好地捕捉EEG信号中的复杂情感模式。传统的卷积神经网络（CNN）在处理EEG数据时，通常只关注空间特征，而忽略了频率域的信息。这使得CNN在处理具有时间序列特性的EEG数据时存在一定的局限性。为了解决这一问题，S2FSCNN引入了球形卷积层，以更好地建模EEG信号中的空间依赖关系。同时，模型还结合了空间-频率自注意力网络（SFCSAN），通过动态调整不同频率域的权重，提升模型对关键情感特征的识别能力。这种空间-频率联合处理的策略，使得S2FSCNN能够在复杂的EEG数据中提取出更加丰富和准确的情感特征。

为了进一步优化模型的性能，本研究采用了Pied Kingfisher Optimisation Algorithm（PKOA）进行超参数调优。PKOA是一种基于自然界中 Pied Kingfisher 鸟类捕猎行为的优化算法，能够有效解决复杂优化问题。与传统的优化算法如粒子群优化（PSO）、遗传算法（GA）和灰狼优化（GWO）相比，PKOA在收敛速度和全局搜索能力方面表现更为优越。这使得它在处理EEG数据的高维和非线性特性时具有更强的适应性。通过将PKOA应用于S2FSCNN的超参数调优过程中，模型不仅能够实现更高的分类精度，还能在计算效率方面取得显著提升。实验结果表明，与传统的CNN-LSTM-EC模型相比，S2FSCNN-PKOA的处理时间减少了28%；与Bi-LSTM模型相比，其处理时间也减少了18%。这种高效的计算能力，使得S2FSCNN-PKOA在实际应用中更具可行性，尤其是在需要实时处理EEG数据的场景中。

在模型训练和评估过程中，本研究采用了两种经典的EEG情感识别数据集——DEAP和SEED。DEAP数据集包含32名受试者，每位受试者观看40段视频，并对视频内容进行情感评分。数据集的采样频率为512 Hz，随后被降采样至128 Hz以减少计算负担。SEED数据集则通过音频和视频刺激诱发受试者的情感反应，提供了更为丰富的多模态数据。通过在这些数据集上进行实验，研究人员能够全面评估S2FSCNN-PKOA模型在不同条件下的表现，并验证其在情感识别任务中的通用性和鲁棒性。

实验结果表明，S2FSCNN-PKOA模型在DEAP和SEED数据集上的分类准确率达到了99.7%，显著优于现有的其他深度学习方法。这一高精度的结果表明，该模型能够有效地捕捉EEG信号中的复杂情感模式，并在实际应用中表现出色。此外，模型在准确率、召回率和F1分数等关键性能指标上均优于传统方法，进一步证明了其在情感识别任务中的优越性。S2FSCNN-PKOA的高精度和高效性，使其在医疗、教育、娱乐等多个领域具有广阔的应用前景。

除了情感分类，S2FSCNN-PKOA还展示了其在其他EEG相关任务中的潜力。例如，在数字识别任务中，研究人员设计了一种一维CNN架构——BrainDigiCNN，利用多通道EEG数据进行训练和测试。该模型在专有数据集和公开数据集上的表现均较为出色，证明了深度学习模型在处理EEG数据时的灵活性和通用性。此外，图神经网络（GCNN）在情感识别中的应用也值得关注。通过建模EEG数据的拓扑结构，GCNN能够更有效地捕捉通道之间的依赖关系，从而提升分类精度。这些研究成果表明，EEG信号的情感识别不仅限于传统的分类任务，还可以扩展到其他相关的智能应用中。

在实际应用中，S2FSCNN-PKOA模型的高效性和准确性使其成为情感识别领域的重要突破。该模型的引入，不仅提升了EEG数据处理的效率，还为开发更加智能的BCI系统提供了新的思路。未来，随着计算能力和数据采集技术的进一步发展，基于EEG的情感识别系统将能够在更多场景中得到应用。例如，在心理健康监测中，该模型可以用于实时检测个体的情绪状态，为心理干预提供科学依据；在人机交互领域，它能够帮助设备更好地理解用户的情感需求，从而提供更加个性化的服务；在教育和培训中，该模型可以用于评估学习者的注意力和情绪状态，为教学方法的优化提供支持。

为了确保研究的透明性和可重复性，本研究还详细描述了数据集的来源和处理方法。DEAP和SEED数据集均为公开可用的EEG情感识别数据集，它们的结构和标注方式为模型的训练和评估提供了可靠的基础。在数据预处理阶段，研究人员对原始信号进行了标准化处理，并应用了DBLSHF和mADCT方法以提升信号质量。这些预处理步骤不仅有助于减少噪声干扰，还能保留EEG信号中关键的情感特征，从而为后续的特征提取和模型训练奠定良好的基础。

在模型训练过程中，研究人员采用了多种深度学习技术，如卷积神经网络（CNN）、长短时记忆网络（LSTM）和图神经网络（GCNN），以探索不同方法在情感识别任务中的表现。CNN因其在空间特征提取方面的优势，被广泛应用于EEG信号分类任务中。然而，CNN在处理时间序列数据时往往存在局限性，无法有效捕捉长期依赖关系。为此，研究人员结合了LSTM和GCNN的优势，提出了CNN-LSTM-EC和Bi-LSTM等混合模型，以提高分类精度。实验结果表明，这些混合模型在某些特定任务中表现良好，但仍存在一定的局限性。相比之下，S2FSCNN-PKOA模型通过引入球形卷积和自注意力机制，能够更全面地捕捉EEG信号中的空间和频率信息，从而在情感识别任务中取得更高的精度。

此外，本研究还探讨了注意力机制在情感识别中的应用。注意力机制能够帮助模型聚焦于最相关的特征，从而提高分类的准确性。例如，某些研究通过引入带注意力机制的神经网络，成功提升了情感分类的效果。这些方法通常包括特征提取、空间注意力和频率注意力等步骤，以动态调整不同通道和频率域的权重。然而，传统的注意力机制在处理高维和非线性EEG数据时可能存在一定的不足。为此，S2FSCNN-PKOA模型结合了自注意力机制，使其能够更灵活地调整不同频率域的权重，从而提升模型的分类能力。

在模型的评估过程中，研究人员采用了一系列性能指标，包括准确率、召回率和F1分数，以全面衡量模型的分类效果。这些指标不仅能够反映模型在情感识别任务中的表现，还能帮助研究人员比较不同方法的优劣。实验结果表明，S2FSCNN-PKOA模型在这些指标上均优于现有方法，证明了其在情感识别任务中的优越性。此外，研究人员还通过可视化手段分析了模型在不同频率域上的表现，进一步验证了其在捕捉复杂情感模式方面的有效性。

本研究的成果不仅为情感识别领域提供了新的技术方案，还为相关应用的发展奠定了基础。随着深度学习和优化算法的不断进步，基于EEG的情感识别系统将能够在更多场景中得到应用。例如，在心理健康监测中，该模型可以用于实时检测个体的情绪状态，为心理干预提供科学依据；在人机交互领域，它能够帮助设备更好地理解用户的情感需求，从而提供更加个性化的服务；在教育和培训中，该模型可以用于评估学习者的注意力和情绪状态，为教学方法的优化提供支持。此外，该模型还可以应用于脑机接口设备的开发，以提升设备的智能化水平和用户体验。

综上所述，本研究提出了一种全新的深度学习框架——S2FSCNN-PKOA，通过结合球形卷积、自注意力机制和优化算法，显著提升了EEG数据在情感识别任务中的处理能力。该模型在两个经典数据集上的实验结果表明，其在分类精度、计算效率和模型泛化能力方面均优于现有方法。这一研究成果不仅为情感识别技术的发展提供了新的思路，也为相关应用的拓展打开了新的可能性。未来，随着技术的进一步成熟和应用场景的不断扩展，基于EEG的情感识别系统将在更多领域发挥重要作用。