基于多脑区时空协作Transformer的脑电情绪识别模型MBRSTCformer研究

为解决传统脑电(EEG)情绪识别方法忽略脑区局部特征的问题，研究人员提出多脑区时空协作Transformer框架(MBRSTCformer)。通过分脑区处理EEG信号并量化刺激评分，结合级联金字塔时空融合网络，在DEAP和DREAMER数据集上实现98%以上的分类准确率，为脑机接口(BCI)应用提供新思路。

　　

情绪识别是实现通用脑机接口(BCI)的关键技术，在医疗康复和人机交互领域具有重要应用价值。基于脑电(EEG)信号的情绪识别方法因其对大脑活动的实时映射能力备受关注，但现有深度学习模型往往将EEG信号作为整体处理，难以捕捉不同脑区的局部刺激差异。

受大脑认知机制启发，这项研究创新性地提出多脑区时空协作Transformer框架(MBRSTCformer)。该模型首先依据先验知识构建多脑区协作网络，将EEG信号按脑区分割后独立处理，并通过刺激评分量化各脑区激活程度，实现神经反馈的闭环优化。随后开发的级联金字塔空间融合时序卷积网络，有效整合多脑区的时空特征。

在DEAP和DREAMER两大主流数据集上的实验表明，该模型在唤醒度(arousal)、效价(valence)和支配度(dominance)三个维度均取得突破性表现：DEAP数据集准确率达98.63%、98.15%和98.58%，DREAMER数据集分别达到97.66%、97.07%和97.97%。这项研究为理解情绪加工的神经机制提供了新视角，其分脑区特征提取策略对发展下一代BCI系统具有重要指导意义。