摘要
由于通道冗余、电极拓扑结构不合理以及层间特征融合不足，基于脑电图的情绪识别技术存在诸多限制。本研究提出了一种名为“拓扑感知双桥融合网络”（TDBF-Net）的框架，该框架整合了自适应通道选择、拓扑感知的稀疏卷积以及双向桥式融合机制。首先，通过样本熵、离散熵和模糊熵三种方法来评估各通道的重要性，再利用粒子群优化算法确定熵权重，进而依据特定标准筛选出关键的通道组合。其次，从、、以及这些频段会被映射到一个根据电极位置确定的稀疏拓扑张量中。在卷积操作前后还会应用固定的空间有效性掩码，以此消除来自零填充区域的无效信号，同时保留真实的电极拓扑结构。第三，一个双桥融合模块通过通道注意力机制和门控融合方式，对浅层特征和深层特征进行双向重新校准，而双向长短期记忆网络则能够进一步捕捉短期的时间依赖关系。在上海交通大学情绪脑电图数据集以及生理信号情绪分析数据库上进行的受试者差异实验表明，TDBF-Net在SEED数据集上的准确率可达 ± ，在DEAP数据集上的愉悦度评估准确率为 ± ，而在唤醒度评估上的准确率为 ± 。通过对比实验可以发现，拓扑结构和桥式融合机制对愉悦度评估有明显贡献，而其对唤醒度评估的影响则并不显著。此外，通过选择性控制、鲁棒性测试、计算性能分析以及可视化验证，进一步了解了该方法的压缩效率、计算成本以及可解释性。这些结果表明，TDBF-Net是一种有效的受试者特定情绪识别框架，至于其是否具备跨受试者和跨数据集的通用性，则需要进一步研究验证。
