摘要
背景：在大多数现有的基于脑电图（EEG）的情绪识别研究中，脑电电极的空间配置未能得到充分保留，且传统的单尺度卷积神经网络（CNNs）在同时捕捉局部和全局空间模式方面能力有限。为应对这些局限，提出了一种融合方位等距投影（AEP）与多尺度残差时间网络（MRTNet）的脑电情绪识别框架。方法：首先提取差分熵（DE）特征，并将三维电极坐标投影至二维平面，构建基于方位等距投影的差分熵（AEP-DE）特征图，以保留电极布局的空间拓扑结构。随后，MRTNet结合多尺度深度可分离卷积与长短期记忆（LSTM）网络，在多个感受野尺度上提取空间特征，并建模脑电片段间的时间依赖关系。结果：实验结果表明，MRTNet在基于生理信号的情绪分析数据库（DEAP）上的四分类任务中达到95.1%的平均准确率，在上海交通大学情绪脑电数据集（SEED）上的三分类任务中达到93.1%的平均准确率。结论：Grad-CAM可视化进一步表明，模型响应集中于空间定位的前额叶和颞叶区域，为所提方法的空间可解释性提供了定性支持。
