摘要
背景/目标：脑电图（EEG）被广泛用于情绪识别领域。如何整合多种频率和空间特征以提高识别性能仍是当前面临的重大挑战。方法：本文提出了两种预处理方法，将脑电图信号转换为类似图像的表示形式。这两种方法能够保留空间结构，便于使用卷积神经网络进行有效特征提取。第一种方法是空间串联法（SCM），它将三种特征类型映射到颜色通道中，为网络提供结构化先验，促使网络在局部空间窗口内学习这三种特征类型。该方法不同于传统的频谱混合法，后者是将不同频段映射到颜色通道中。第二种方法是频段堆叠法（BSM），它将不同频段视为独立的深度帧，从而形成三维张量。这种结构有助于学习频段间的关联，同时保留各频段的特定信息。针对这些张量结构，设计了专门的卷积神经网络架构，与SCM和BSM的空间及频谱组织结构相匹配。结果：在DEAP和DREAMER数据集上进行的二元唤醒度与情绪价值分类实验表明，这两种表示形式均取得了不错的效果。在DREAMER数据集上，BSM的准确率高于SCM，而在DEAP数据集上，两种方法的性能相当。结论：所提出的策略为脑电图情绪识别系统提供了高效的卷积神经网络解决方案。
