基于EEG的深度学习脑区分析：揭示情绪识别的右半球优势与中枢整合机制

本研究针对脑机接口(BCI)情绪识别中脑区贡献不明确的问题，通过BiLSTM网络结合EEG脑区分割技术，系统分析左/右/中枢脑区作用。在SEED等5个数据集上取得90.86%-99.61%的准确率，证实右半球主导情绪处理，中枢整合可提升性能，为电极优化和可解释模型提供新范式。

　　

情绪识别是理解人类心理体验的核心，但传统基于面部表情或语音的方法易受主观控制干扰。相比之下，脑电图(EEG)能直接捕捉不受意识调控的神经电活动，在抑郁症诊断和人机交互等领域展现出独特优势。然而EEG信号存在噪声干扰大、时空特征复杂等挑战，尤其缺乏对特定脑区贡献的系统分析。为此，Banaras Hindu大学的研究团队在《Biomedical Signal Processing and Control》发表研究，通过创新性的脑区分割与深度学习融合策略，首次量化揭示了不同脑区在情绪处理中的差异化作用。

研究采用SEED、DEAP等5个公开EEG数据集，关键技术包括：1)基于解剖学的EEG通道左/右/中枢分群；2)双向长短期记忆网络(BiLSTM)捕捉时序特征；3)跨数据集验证策略。通过对比单脑区与全脑模型的性能差异，系统评估各区域贡献度。

【Experiment and results】
实验显示右半球在SEED-V数据集达到99.61%准确率，显著优于左半球(p<0.01)，印证情绪处理的右侧化理论。中枢区域整合使整体准确率提升2.3-5.8%，表明其协同作用。GAMEEMO数据集表现突出(96.14%)，反映游戏情境更能激发真实情绪。

【Discussion】
该研究首次通过计算模型证实：1)右半球颞顶联合区在负性情绪处理中起核心作用；2)中央前回theta波振荡是跨数据集稳定特征；3)中枢区域(如扣带回)通过整合左右半球信息提升分类鲁棒性。这种脑区特异性分析为EEG电极阵列优化提供了实证依据。

【Conclusion】
研究建立的BiLSTM-脑区分割框架不仅实现90.86-99.61%的分类性能，更开创了可解释的神经机制分析路径。其发现对临床抑郁症的客观评估、自适应BCI系统开发具有双重意义，特别为减少电极数量同时保持精度的便携设备设计指明方向。未来可扩展至创伤后应激障碍(PTSD)等疾病的神经标记物挖掘。