IDFG：用于脑电图（EEG）情绪识别的信息正则化多样性-保真度图

《Knowledge-Based Systems》：IDFG: Information-Regularized Diversity-Fidelity Graph for EEG Emotion Recognition

EEG情绪识别中提出信息正则化驱动的IDFG模型，通过图多样性增强模块（GDivA）利用统计不确定性和信息约束提升跨个体数据多样性，情感解耦模块（GEmoD）结合信息正则化分离情感相关特征，保真度学习模块（GFidC）融合一致性和监督学习确保情感语义一致性。实验表明IDFG在SEED、SEED-IV、SEED-V数据集上分别达到93.29%、81.32%、79.75%的跨主体识别准确率，显著优于基线方法。

　　
EEG情绪识别中的数据多样性提升与语义保真研究

在脑电信号情绪识别领域，数据稀缺性和个体差异带来的泛化能力不足始终是核心挑战。传统方法依赖单一数据集训练，当遇到新个体时，模型容易因数据分布差异导致性能显著下降。现有增强技术存在两大缺陷：基于规则增强的方法（如信号插值、噪声注入）虽然能保持数据分布特性，但会破坏情绪相关的语义信息；对抗生成网络虽能生成更自然的信号，但样本多样性不足且难以控制语义一致性。

本文提出的信息正则化多模态图增强框架（IDFG），从信息论角度构建了包含三个核心组件的增强体系：首先通过统计不确定性量化建立动态增强机制，确保生成样本覆盖个体差异的潜在模式；其次设计情感解耦模块，分离出与情绪强相关的特征通道和无关干扰信号；最后构建联合学习框架，同步优化生成样本的多样性和语义保真度。该方案在三个公开数据集（SEED、SEED-IV、SEED-V）上的实验表明，跨个体识别准确率分别提升5.4%、9.02%和7.47%，验证了其在应对个体差异方面的有效性。

方法创新体现在三个维度：1）多样性增强阶段引入信息约束机制，通过计算源数据与目标域间的KL散度差异，动态调整增强策略，确保生成的样本既能覆盖个体差异的统计分布，又能保持情感语义的连贯性；2）情感解耦模块采用双流网络架构，通过注意力机制分离出情绪敏感特征（如前额叶α波功率谱变化）和背景干扰特征（如枕叶θ波振荡），使后续增强过程更聚焦核心信息；3）保真学习框架融合了对抗训练与监督学习，在生成过程中实时监控原始与增强样本的情感语义相似度，通过回传机制确保特征空间的一致性。

实验设计采用分层对比策略：在基础对比中，传统图编码器模型（对照组）仅使用原始数据，在SEED数据集上基准识别率为87.89%；而IDFG模型通过三阶段增强训练，准确率提升至93.29%。进一步对比显示，单独使用多样性增强模块（GDivA）时，虽然样本分布覆盖更广（F1-score提升12.3%），但情感语义保真度（皮尔逊相关系数）下降8.7%；而仅使用保真学习模块（GFidC）时，虽然能保持较高语义一致性（相关系数达0.92），但样本多样性不足导致跨域识别准确率仅提升3.5%。这充分说明IDFG的多模块协同机制对平衡两个关键指标具有决定性作用。

在技术实现层面，系统构建了闭环增强训练流程：输入原始EEG信号后，首先通过无监督图编码器提取通道间拓扑关系，生成表征个体脑网络特征的图结构；多样性增强模块采用分层信息正则化策略，在特征空间中注入不同分布的噪声模式，同时通过熵减约束保持关键情绪特征不变；情感解耦模块运用双分支网络架构，一个分支专注于提取情绪敏感特征（如与积极情绪相关的中央区θ波衰减），另一个分支抑制无关特征（如眼动相关的不对称δ波）；最后保真学习模块通过对比学习保持生成样本与原始样本在情绪特征空间的一致性，同时利用监督信号引导生成方向。

实际应用中，该框架展现出良好的泛化能力。在SEED-V数据集的跨领域测试中（源域15人，目标域16人），IDFG模型在四类情绪识别任务中均达到79.75%的准确率，较传统域适应方法提升9.8个百分点。可视化分析显示，增强后的样本在特征空间分布更均匀，且与原始样本的情感向量夹角小于15度（对照组平均夹角达32.7度）。特别在应对个体认知风格差异时，模型通过多模态增强机制有效捕捉到不同个体的情绪表达模式：例如对积极情绪的识别，既保留了前额叶皮层高唤醒状态的共性特征，又分别捕捉到不同个体在颞叶γ波振荡频率上的差异模式。

该研究的理论价值在于建立了信息正则化与语义保真的统一优化框架。通过构建源域与目标域间的信息传递模型，量化分析未观测个体情绪表达的潜在分布空间，解决了传统增强方法中多样性增强与语义保持的矛盾问题。在方法层面，创新性地将图神经网络与信息论结合，开发了具有自适应性调节能力的增强系统。实践应用中，模型在三个不同规模的数据集（样本量从300到600）上均表现出稳定的提升效果，验证了其在实际工程中的可扩展性。

未来研究方向建议：1）探索动态自适应增强机制，根据目标域实时数据调整增强策略；2）将该方法扩展至其他生物信号（如EMG、fNIRS）的情绪识别场景；3）研究多模态融合增强，整合EEG与眼动、肌电等多源数据提升鲁棒性。这些方向将有助于推动跨个体、跨场景情绪识别技术的实用化进程。