参数高效型分层时空图网络结合专用标签平滑技术实现定性EEG情感识别

本文提出了一种参数高效的分层时空网络(HiSTN)，结合专用标签平滑技术，显著提升了多通道脑电图(EEG)情感分类任务的性能。该模型仅含约1000个参数，在DREAMER数据集5分类任务中取得优异表现（被试内测试效价96.82%、唤醒95.62%；被试间测试效价78.34%、唤醒81.59%）。创新性提出的Seq2HR指标显示，相比传统one-hot标签训练，该方法使被试内/间任务分别提升50%和30%以上，在模型定量与定性性能平衡方面具有重要价值。

　　

亮点

实验证明，所提出的HiSTN模型展示了在数据稀缺条件下设计轻量级但精心构建架构的可行性，这些架构即使面对数据不足的情况仍能提供强大的预测性能。我们将这一成功归因于以下关键创新：

架构：HiSTN的分层时空结构，特别是其"分层核心"设计，在保持高度表达力的同时实现了参数数量的显著减少。这种设计通过自底向上的图层次结构实现了多级时空特征抽象。

训练策略：提出的空间标签平滑技术通过将分类标签重新解释为连续空间中的概率分布，有效缓解了"预测连续性"问题。这种方法使模型预测更符合人类情感认知模式。

评估框架：引入Seq2HR这一新颖的定性评估指标，专门用于捕捉模型预测与人类判断模式之间的一致性，特别是在处理情感连续体时的表现。

讨论

在DREAMER数据集上进行的被试内和被试间5分类实验表明，结合提出的空间标签平滑技术后，HiSTN能提供高度参数高效的解决方案。模型预测质量得到显著提升，表现为：1）top预测包含真实标签的概率更高；2）预测结果彼此更接近。虽然某些情况下绝对准确率可能略低于某些大型模型，但HiSTN在保持极小参数规模的同时，实现了定量与定性性能的卓越平衡。

结论

本研究通过精细设计的轻量级分层时空架构和创新的标签处理技术，为EEG情感识别领域提供了重要方法论突破。特别值得注意的是：1）模型在保持极小参数规模(<1000)的同时达到优异性能；2）提出的Seq2HR指标揭示了模型预测质量50%以上的提升；3）案例研究表明预测结果更符合情感连续体的临床认知。这些发现为数据稀缺条件下的生物信号处理提供了新思路，对可穿戴设备等实际应用场景具有重要价值。