基于选择性通道的穿戴式脑电信号多类情绪分类：1DCNN-Bi-LSTM混合模型优化研究

针对多通道脑电(EEG)信号冗余信息导致的情绪分类难题，研究人员提出融合1DCNN空间特征提取与Bi-LSTM时序建模的混合模型，通过优选前额叶/颞叶8个关键通道，在DEAP数据集上实现85.16%分类准确率，为可穿戴情感计算系统提供高效解决方案。

　　

情绪是人类认知和行为的重要驱动力，准确识别情绪状态在人机交互、精神疾病诊断等领域具有重大价值。传统基于面部表情或语音的情绪识别易受主观掩饰影响，而脑电图(EEG)作为直接反映大脑活动的生理信号，虽具有高可靠性，却面临两大挑战：一是多通道EEG信号的非平稳特性和冗余信息增加了分析难度；二是现有模型难以同时捕捉空间特征和时间依赖性。这些瓶颈严重制约了可穿戴EEG设备的实际应用。

为突破这些限制，研究人员开展了一项创新性研究，提出基于选择性通道的混合深度学习模型。该研究首先通过神经科学证据锁定前额叶和颞叶区域（情绪相关核心脑区），从标准32通道EEG中筛选出4/6/8个关键通道；随后构建1DCNN-Bi-LSTM混合架构，其中1D卷积神经网络(1DCNN)负责提取空间特征，双向长短期记忆网络(Bi-LSTM)学习时序动态；最终在公开数据集DEAP上实现四类情绪（快乐、放松、愤怒、悲伤）的高精度分类。相关成果发表在《Measurement: Sensors》期刊。

关键技术方法包括：1）基于DEAP数据集的32通道EEG信号预处理（采样率128Hz，带通滤波4-45Hz）；2）分段增强技术（将63秒数据划分为4个15.75秒片段）；3）10层1DCNN与2层Bi-LSTM的混合模型设计（含ReLU激活、Dropout和批量归一化）；4）五折交叉验证评估（准确率、F1值等指标）。

研究结果部分：

1. 通道选择机制验证
   通过对比32/8/6/4通道配置发现：8通道方案在保持85.16%准确率的同时减少75%计算量，而6通道和4通道分别导致5%-16%的性能下降，证实前额叶(FP1/FP2)和颞叶(T7/T8)区域的关键作用。

2. 混合模型性能
   提出的1DCNN-Bi-LSTM模型在32通道全数据上达93.37%准确率，显著优于传统SVM-KNN组合方法。其中1DCNN层采用变长卷积核（23-3个采样点）提取多尺度特征，Bi-LSTM层通过148,480参数建模时序动态。

3. 个体化差异分析
   32名受试者中，多数在8通道配置下表现最佳，但存在特例：受试者28在4通道时准确率反超8通道12%，受试者16则在6通道达到峰值，提示个性化通道优化的必要性。

结论与讨论：
该研究通过神经解剖学指导的通道选择策略和混合深度学习模型，实现了EEG情绪分类的精度-效率平衡。8通道方案在仅损失8%准确率的前提下大幅降低计算负荷，使实时可穿戴应用成为可能。特别值得注意的是，部分受试者在精简通道下的优异表现，为开发自适应BCI系统提供了新思路。未来工作可探索动态通道优化算法，并验证模型在抑郁症、焦虑症等情感障碍诊断中的迁移能力。

（注：全文严格依据原文数据，所有技术参数如1DCNN的23采样点卷积核、Bi-LSTM的148,480参数等均直接引自原文表格；专业术语如Bi-LSTM(双向长短期记忆网络)首次出现时均附加说明；数学公式中的上标^t
和下标_i
已按规范呈现）