基于域适应与动态图注意力的脑电时空混合网络跨被试情绪识别研究

为解决传统神经网络在脑电信号(EEG)情感特征提取中的局限性，以及现有方法对电极空间拓扑关系和信号时序依赖性的忽视，研究人员提出了一种融合多尺度残差卷积(MRCL)、时序自注意力(TSRL)和动态图注意力(DGAT)的ST-DADGAT模型。该研究在SEED、SEED-IV和MPED数据集上分别取得84.68%、74.97%和26.56%的识别准确率，通过域适应损失(MMD)减少被试间差异，为脑机交互和临床诊断提供了新方法。

　　

情绪识别研究的困境与突破
人类情绪如同复杂的密码，其识别一直是人机交互和神经科学领域的重大挑战。尽管脑电信号(EEG)能直接反映大脑电活动，成为情绪识别的"黄金标准"，但现有技术却面临三重困境：传统卷积神经网络(CNN)像"管中窥豹"，仅能捕捉局部特征而忽略电极间的空间拓扑关系；Transformer架构虽擅长建模长程时序依赖，却对EEG的空间激活模式"视而不见"；更棘手的是被试间个体差异，使得跨被试识别准确率长期停滞不前。

时空混合网络的创新实践
河北大学的研究团队在《Biomedical Signal Processing and Control》发表的这项研究，构建了名为ST-DADGAT的时空混合网络。该模型如同"三位一体的解码器"：多尺度残差卷积模块(MRCL)像精密的频谱分析仪，通过金字塔式卷积核(1×3, 3×3, 5×3)提取γ/β/α/θ等多频段特征；时序自注意力模块(TSRL)则化身"时间侦探"，利用多头自注意力机制(8头)捕捉EEG信号的全局动态波动；动态图注意力网络(DGAT)创新性地引入可学习参数矩阵W_a和W_m，使邻接矩阵能随注意力得分动态更新，如同绘制出实时变化的"脑区社交网络"。研究团队在SEED等三个数据集上验证，其创新性体现在：

关键技术方法
研究采用微分熵(DE)特征提取，通过MRCL模块的多尺度卷积核并行处理频域特征，TSRL模块计算查询(Q)-键(K)-值(V)矩阵捕捉时序依赖，DGAT模块基于改进的GATv2架构动态更新边权。跨被试实验中引入最大均值差异(MMD)损失函数对齐源域与目标域分布，分类阶段采用包含128个神经元的全连接层。

模块化研究结果
MRCL模块的性能验证
消融实验显示，融合3种卷积核的MRCL使SEED-IV数据集准确率提升4.62%，证明多尺度设计能有效捕获γ波(30-50Hz)等高阶频段特征。注意力机制使β波段(13-30Hz)的特征贡献度提升21.3%。

TSRL模块的时序建模
与LSTM相比，该模块在长序列依赖任务中推理速度加快3.7倍。热力图显示其能精准定位情绪波动关键帧，如视频刺激后800-1200ms时间窗的注意力得分显著增高。

DGAT模块的空间拓扑发现
动态邻接矩阵可视化揭示前额叶-顶叶连接在愉悦情绪中增强(边权>0.68)，而恐惧情绪下杏仁核与视觉皮层连接增强。相比静态GCN，该模块使空间特征区分度提升33.5%。

跨域适应效果
MMD损失使SEED数据集跨被试差异减小42.7%，目标域分类F1-score提高12.4%。t-SNE图显示源域与目标域特征分布明显趋近。

结论与展望
该研究构建的ST-DADGAT框架如同"情绪解构大师"，首次实现EEG信号时空频三维特征的协同挖掘。动态图注意力机制突破传统GCN依赖先验知识的局限，自适应捕捉的脑功能连接模式为情感神经机制研究提供新证据。虽然MPED数据集26.56%的准确率揭示多模态生理信号融合的挑战，但该方法已为抑郁症的客观诊断、智能假肢的情感反馈开辟新路径。未来研究可探索脉冲神经网络(SNN)与动态图的融合，进一步逼近人脑的真实信息处理机制。