基于自适应窗口选择与卷积注意力增强KAN网络的脑电情绪识别框架

为解决脑电(EEG)情绪识别中数据冗余和模型效率问题，研究人员开发了结合改进CUSUM算法的自适应窗口选择技术与卷积注意力增强Kolmogorov-Arnold网络(CA-KAN)的创新框架。该研究在SEED和SEED-IV数据集上分别取得94.63%和94.73%的分类准确率，其轻量化特性为医疗情绪监测和驾驶员情绪检测等实际应用提供了新方案。

　　

近年来，基于脑电图(EEG)的情绪识别技术已在多个领域大显身手。如何优化EEG数据处理并提升情绪识别模型性能，成为该领域的研究热点。这项研究别出心裁地将改进版CUSUM算法与卷积注意力增强的Kolmogorov-Arnold网络(CA-KAN)强强联合，打造出一个智能情绪识别框架。

改进的CUSUM算法就像一位精明的"数据裁缝"，能从原始EEG信号中精准裁剪出最具情绪特征的片段。而经过升级的CA-KAN网络则化身"情绪解码专家"，在保证识别准确率的同时还能保持惊人的运算效率。这个双剑合璧的框架在SEED和SEED-IV两个经典数据集上大放异彩，分别斩获94.63%和94.73%的分类准确率。

更令人振奋的是，该框架还具有"苗条身材"的独特优势——轻量化的设计使其在医疗情绪监测、驾驶员情绪预警等实际应用场景中展现出巨大潜力。想象一下，未来或许只需佩戴简易的EEG设备，就能实时捕捉情绪波动，为心理健康和交通安全保驾护航。