IHC-IS4BC：一个基于乳腺癌IHC染色切片的病理图像分割监督数据集

《Biomedical Signal Processing and Control》：IHC-IS4BC: A supervised dataset for pathological image segmentation based on IHC-staining slides of breast cancer

EEG情绪识别中提出HSF-BPM网络，通过局部动态卷积与SKNet提取多尺度空间特征，结合全局Mamba模型处理2D电极数据，并采用FCN建模跨频关系，显著提升情绪分类性能。

　　近年来，随着人工智能和生物医学工程的快速发展，基于脑电图（EEG）的情绪识别技术逐渐成为跨学科研究的热点领域。该技术融合了神经科学、心理学与计算机科学的理论基础，旨在通过分析EEG信号解码个体的情绪状态。EEG作为一种非侵入性的神经信号采集方式，能够反映大脑活动的实时变化，从而为情绪识别提供丰富的数据来源。然而，EEG信号的复杂性与多维特征使得情绪识别面临诸多挑战，尤其是在如何有效地提取和整合局部与全局的脑活动信息方面。

当前，许多研究尝试利用深度学习模型来解决这些问题。其中，层次化模型因其能够同时捕捉局部和全局的神经活动模式而备受关注。通过将局部信息与全局信息进行联合分析，层次化模型能够更好地理解大脑区域之间的空间关系，从而提升情绪识别的准确性。然而，现有的方法在两个关键方面仍存在不足：首先，如何在二维EEG表示中实现更精细的情绪特异性空间划分；其次，如何高效地整合从局部到全局的神经信息，以形成对情绪状态的全面理解。这些限制不仅影响了模型的性能，也阻碍了其在实际应用中的推广。

为了解决上述问题，研究团队提出了一种新颖的框架——层次化空间-频率双补丁Mamba网络（HSF-BPM）。该模型基于Mamba网络的时空建模能力，结合了空间与频率两个维度的信息处理策略，旨在实现对EEG信号的高效分析与情绪识别。HSF-BPM通过三个主要模块的协同作用，分别处理频率信息、局部空间特征以及全局空间关系，从而构建一个完整的层次化分析体系。其中，频率信息的处理采用了通道级频率编码器（CFE），该模块基于全连接网络（FCN）对多个频率带的差异熵（DE）特征进行建模，以增强每个电极的频谱信息表示。相比传统的卷积神经网络（CNN），FCN具有更高的灵活性，能够根据输入数据的特征动态调整网络结构，从而更有效地捕捉频率之间的复杂关系。

在局部空间特征提取方面，HSF-BPM引入了动态卷积与选择性核网络（SKNet）的结合策略。SKNet通过使用不同大小的卷积核，能够从每个电极周围提取多尺度的空间信息，而动态卷积则允许模型根据情绪状态的变化调整其参数，以适应不同情感模式下的局部特征。这种组合方法显著提升了模型对局部信息的感知能力，同时避免了传统均匀区域划分方法在不同情绪状态下的局限性。通过这种方式，HSF-BPM能够更准确地识别与情绪相关的局部脑活动模式，为情绪分类提供更加细致的输入特征。

为了更全面地建模EEG信号的全局空间关系，HSF-BPM进一步引入了基于Mamba网络的全局空间特征提取器（GSFE）。Mamba网络作为一种基于状态空间矩阵理论的现代模型，其核心优势在于能够以线性时间复杂度高效处理序列数据，同时具备良好的并行训练能力。这种特性使其在处理EEG信号时表现出色，尤其是在建模长时间序列中的长距离依赖关系方面。此外，Mamba网络的递归结构使其能够自然地整合位置信息，从而在处理二维EEG数据时具有显著的优势。HSF-BPM通过采用双向补丁划分策略，将EEG电极映射到一个二维矩阵中，并利用Mamba网络对这些补丁之间的空间关系进行建模。这种方法不仅能够更准确地捕捉EEG信号的全局特征，还有效克服了传统Transformer模型在处理二维数据时所面临的局限。

在神经科学的研究中，情绪的产生与处理通常涉及多个脑区之间的协同作用。例如，前额叶皮层、杏仁核以及视觉皮层等区域在情绪调节中扮演着重要角色。研究表明，不同情绪状态可能依赖于不同的脑区激活模式，或者在相同脑区中表现出不同的激活强度。因此，为了更精确地识别情绪，模型需要能够区分不同情绪状态下的脑活动模式，并建立这些模式之间的联系。HSF-BPM通过层次化结构的设计，实现了从局部到全局的逐步信息整合，使得模型能够在不同情感状态下更灵活地适应和提取相关特征。

在实验部分，研究团队对HSF-BPM模型进行了全面的验证。他们使用了多个公开的EEG数据集，包括SEED、SEED-IV和DEAP，这些数据集涵盖了不同个体的情绪状态，为模型的评估提供了丰富的数据支持。通过采用受试者依赖的范式，模型能够独立地对每个受试者的数据进行分析和处理，从而确保其在个体层面的适应性。同时，研究团队还通过k折交叉验证的方法对模型的泛化能力进行了评估，确保其在不同数据集上的稳定性。实验结果表明，HSF-BPM在多个数据集上的表现均优于现有的先进模型，特别是在情绪分类的准确率和召回率方面取得了显著的提升。

此外，研究团队还对模型的各个组成部分进行了深入的分析，以验证其设计的合理性。他们首先从神经生理学的角度出发，对CFE、LSFE和GSFE模块的结构和功能进行了验证，确保这些模块能够有效地提取和整合相关的信息。随后，他们通过组件特定的消融实验，评估了每个模块对模型整体性能的影响。结果显示，CFE、LSFE和GSFE模块的协同作用是模型成功的关键因素，其中CFE在增强频率信息表示方面发挥了重要作用，而LSFE和GSFE则分别负责局部和全局空间特征的提取。这些分析进一步巩固了HSF-BPM模型的理论基础，并为其在实际应用中的推广提供了有力的支持。

在讨论部分，研究团队指出HSF-BPM模型的创新性在于其结合了空间与频率两个维度的信息处理策略，并利用Mamba网络的特性实现了对全局空间关系的高效建模。这种方法不仅提升了模型对EEG信号的理解能力，还为后续的情绪识别研究提供了新的思路。然而，研究团队也承认该模型仍存在一些局限性，例如在处理高维度数据时的计算复杂度较高，以及对不同个体之间情绪模式差异的适应性仍需进一步优化。针对这些问题，他们提出了未来研究的方向，包括探索更高效的计算架构、优化模型的参数配置，以及引入更多的神经科学理论来指导模型的设计与改进。

总体而言，HSF-BPM模型的提出为基于EEG的情绪识别提供了一种新的解决方案。它不仅克服了传统方法在空间信息提取和整合方面的不足，还结合了神经科学与计算机科学的最新研究成果，使得模型在理论上和实践中都具有显著的优势。该模型的代码已公开在GitHub上，方便其他研究者进行复现和进一步的改进。此外，研究团队还强调了该模型在更广泛认知状态识别中的应用潜力，为未来的研究提供了重要的参考价值。通过这一创新框架，EEG情绪识别技术有望在更深层次上揭示人类情绪的神经机制，并在实际应用中发挥更大的作用。