跨情境情绪解码：多情境情感EEG数据集EmoEEG-MC的构建与应用

为解决单一情境下EEG情绪解码模型泛化性不足的问题，南方科技大学团队构建了首个多情境情感EEG数据集EmoEEG-MC，涵盖视频诱导与想象诱导两种情境下的7类情绪（含正/负/中性）。通过SVM-L1模型验证，该数据集在跨情境二元分类中达66.7%准确率，为情感计算（Affective Computing）的临床应用提供新范式。

　　

情绪解码的科学困境与突破
人类情绪如同复杂的密码，而脑电图（EEG）是破译这些密码的关键工具。尽管情感计算（Affective Computing）领域已取得显著进展，但现有EEG情绪解码研究存在致命短板——几乎所有数据集都局限于单一情境（如仅用视频或图片诱发情绪）。这就像仅用方言词典翻译普通话，其实际应用价值大打折扣。更严峻的是，不同情境下大脑情绪表征的异同至今仍是未解之谜，严重制约了情感脑机接口在心理健康监测、智能交互等领域的应用可靠性。

南方科技大学的研究团队敏锐捕捉到这一科学盲区，在《Scientific Data》发表了开创性研究。他们首次构建了多情境情感EEG数据集EmoEEG-MC，通过精心设计的双情境（视频诱导vs想象诱导）实验范式，采集60名受试者在7类情绪状态下的64通道EEG数据，同步记录皮肤电反应（GSR）和光电容积描记（PPG）信号。研究不仅证实了跨情境情绪解码的可行性（二元分类准确率66.7%），更揭示了情绪神经表征的情境依赖性规律，为开发普适性情感计算系统奠定了基石。

关键技术方法
研究采用标准化实验流程：1）通过460人预实验筛选21段视频（平均95秒）和21组想象引导音频（平均46秒）作为情绪诱发材料；2）使用g.HIamp系统采集64通道EEG（采样率600/1200 Hz），配合腕带设备同步记录GSR（40 Hz）和PPG（20 Hz）；3）采用独立成分分析（ICA）去噪和差分熵（DE）、功率谱密度（PSD）特征提取；4）通过支持向量机（SVM）结合L1正则化进行跨情境分类验证。

突破性发现
1. 双情境情绪诱导有效性验证
通过受试者主观评分证实，两种情境均能特异性诱发目标情绪（p<0.05）。如图1所示，视频与想象材料在效价-唤醒度平面上形成清晰聚类，且目标情绪强度显著高于非目标情绪。

2. EEG特征的情境特异性与共性
图5显示，虽然不同情境的DE和PSD特征存在差异，但在α波段（8-14 Hz）均观察到双侧枕叶区域对温柔、厌恶等情绪的显著响应。跨被试相关性分析（ISC）进一步揭示，视频情境下枕叶皮层的神经同步性最强，而想象情境则激活前颞叶-顶叶网络。

3. 跨情境解码性能突破
采用SVM-L1模型时，DE特征在跨情境七分类中达28.9%准确率（显著高于14.3%随机水平）。特别值得注意的是，L1正则化使跨情境分类性能提升35%（对比L2正则化），说明稀疏特征选择对模型泛化至关重要。

范式转变的意义
该研究首次系统论证了情绪神经表征的情境可塑性：1）发现GSR的皮肤导电水平（SCL）可作为跨情境稳定指标；2）建立标准化多情境EEG数据集（已开源）；3）提出"情境自适应特征选择"新思路。正如作者Xin Xu和Xinke Shen强调，这项工作不仅填补了情感计算领域的方法学空白，更为抑郁症跨情境情绪障碍评估、虚实融合场景的人机交互等应用提供了关键科学依据。未来研究可进一步探索多模态融合策略，推动情感计算从实验室走向真实世界。