《Cyborg and Bionic Systems》：Beyond Static Representations: Learning Electroencephalogram Spatiotemporal Dynamics for Enhanced Emotion Recognition
编辑推荐：
基于脑电图（EEG）的情感识别在脑–计算机接口（brain–computer interface, BCI）和心理健康监测中发挥关键作用。然而，传统方法常忽视EEG通道间内在空间相关性，且未能有效建模全局时间依赖性与神经振荡连续性。为克服这些挑战，研究人员提出
基于脑电图（EEG）的情感识别在脑–计算机接口（brain–computer interface, BCI）和心理健康监测中发挥关键作用。然而，传统方法常忽视EEG通道间内在空间相关性，且未能有效建模全局时间依赖性与神经振荡连续性。为克服这些挑战，研究人员提出动态空间嵌入与时间注意力Mamba（Dynamic Spatial Embedding and Temporal Attention Mamba, DSE-TAM）框架。其动态空间嵌入（Dynamic Spatial Embedding, DSE）模块利用图卷积网络（graph convolutional network, GCN）动态捕获通道间关系，保持EEG表征的空间一致性。随后，时间注意力Mamba（Temporal Attention Mamba, TAM）模块将自注意力与状态空间模型（state-space model, SSM）结合，以联合优化长程时间依赖性和平滑过渡动态。在2个公开基准（DEAP和DREAMER）及一个内部CEED数据集上的大量实验表明，DSE-TAM优于最先进方法（state-of-the-art methods），在DEAP上达到79.75%（唤醒度）和78.27%（效价）准确率，在DREAMER上达到80.55%（唤醒度）和83.91%（效价）准确率，在CEED上达到73.75%（三分类）准确率。这些结果验证该框架在推进基于EEG的情感解码用于BCI方面的有效性。源代码见https://github.com/Raizeroko/DSE-TAM。
研究背景与问题：基于脑电图（electroencephalogram, EEG）的情感识别是情感脑–计算机接口（brain–computer interface, BCI）与心理健康监测的重要环节。传统方法多依赖手工特征或通道独立分段，易忽视EEG通道间内在空间相关性，且难以同时建模全局时间依赖与神经振荡连续性；循环网络受长程依赖限制，自注意力虽具全局感受野但排列不变性可能削弱时间连贯性。为此，研究人员提出DSE-TAM框架，旨在从原始EEG中联合学习动态空间关系与时间动态，提升情感解码性能。该研究发表于《Cyborg and Bionic Systems》，其意义在于为BCI中的EEG情感解码提供端到端时空建模方案。
关键技术方法（≤250字）：研究构建DSE-TAM端到端框架。DSE将原始多通道EEG分为J个非重叠片段，以可学习邻接矩阵构建通道图，采用Chebyshev多项式近似谱图滤波，经二维卷积与池化生成时空token，并加入[CLS]标记和位置编码；浅层时间Mamba（Shallow Temporal Mamba, STM）基于选择性SSM（Mamba）作浅层时间预处理；TAM层串联自注意力（self-attention, STA）与STM以建模全局和局部时间依赖；[CLS]分类器输出分类，交叉熵损失训练。评价采用试次级K折（DEAP 10折、DREAMER 6折、CEED 5折）和留一被试交叉验证（leave-one-subject-out, LOSO），Wilcoxon符号秩检验经FDR校正。样本来源：公开DEAP（32名被试、32通道EEG）、公开DREAMER（23名被试、14通道EEG）、实验室自建CEED（35名被试、64通道采集、63个有效电极；经重庆邮电大学批准）。
研究结果：
（1）Decoding accuracies（解码准确率）：通过试次级K折交叉验证，DSE-TAM在DEAP达到79.75%（arousal）和78.27%（valence），在DREAMER达到80.55%（arousal）和83.91%（valence），在CEED三分类达到73.75%，总体优于基线；LOSO下DEAP为61.29%/58.80%，DREAMER为61.96%/65.11%，CEED为59.59%，显示跨被试泛化竞争力。
（2）Confusion metrics（混淆矩阵）：通过混淆矩阵比较，DSE-TAM分类更均衡，在低arousal和低valence等困难状态提升明显；DREAMER低valence准确率达92.03%，CEED对sad与neutral区分增强，正性情绪仍相对较低。
（3）Ablation study（消融实验）：通过移除[CLS]、DSE、pre-STM、STM或将STA替换为STM等，各组件去除均导致下降；移除STA降幅最大（DEAP 18.67%、DREAMER 20.28%、CEED 29.32%），表明STM与STA互补、DSE和[CLS]均必要。
讨论部分总结：
Effects of EEG token encompassing temporal length P：对P∈{4,8,16,32,64}进行敏感性分析，P=16在多数设置最优，兼顾性能与泛化。
Impact of the [CLS] token position：比较[CLS]位于序列左、中、右端，左端一致较优，利于聚合序列级信息。
Temporal feature extraction structures：比较6种整合STM、STA与前馈网络（Feed-Forward Network, FFN）的结构，DSE-TAM最稳健；STM-only与STA-only各有局限，FFN对已有效的TAM无显著增益。
Interpretability and visualization：功能连接和时空动态可视化显示DSE学到神经科学上合理的连接模式，跨数据集存在稳定额–后连接；加权地形图增强前额、外侧颞和顶叶等与情感加工相关区域。
Computational efficiency analysis：比较准确率、乘加运算（multiply–accumulate operations, MACs）和参数量，DSE-TAM具有较好效率–性能折中；miMamba在CEED高通道下MACs较大且性能有限。
Limitations and future work：局限包括未显式按脑区划分通道、Mamba为单向状态转移、正性情绪分类较低、试次内同标签假设；未来将探索双向Mamba、多实例学习等。
研究结论部分译文：本文介绍DSE-TAM，一种用于EEG情感识别的新型有效端到端模型，旨在解决现有空间与时间建模技术的关键局限。通过利用GCN捕获EEG数据中的动态空间关系，并采用经自注意力增强的SSM进行更优时间动态提取，DSE-TAM有效建模EEG信号固有的局部与全局依赖。在DEAP、DREAMER和CEED数据集上的实验评估证明DSE-TAM的优越性能。这些进展在情感BCI、个性化医疗及其他需要准确可靠情感识别的相关领域具有较大潜力。未来工作将聚焦探索该框架在不同人群中的泛化性，并研究其在实时情感检测场景中的适用性。
