4719
0
2026-03-22
2026-03-22
論文發(fā)表于Expert Systems With Applications（中科院一區(qū)，IF=7.5），題目為《Dynamic collaborative evolutionary network: A novel spatio-temporal feature extraction framework for EEG emotion recognition》。
河北大學的劉帥奇教授為此文第一作者。
論文鏈接：https://www.sciencedirect.com/science/article/pii/S0957417425032695
代碼鏈接：https://github.com/cvmdsp/DCENet
論文概要
情緒識別是腦機接口領域的研究方向之一，旨在從大腦的電生理活動中解碼人的內(nèi)在情感狀態(tài)。而現(xiàn)有情緒識別方法面臨兩個局限性，一方面依賴于固定的物理連接或靜態(tài)拓撲關系，難以有效表示非歐幾里得空間特征。另一方面，時空特征提取往往是獨立進行的。這種缺乏時空特征協(xié)同機制的情況，導致細粒度情感表征能力不足。
為此，本文提出了一種基于圖感知增強與全局卷積Transformer的動態(tài)協(xié)同進化網(wǎng)絡（DCENet）。DCENet通過構建圖感知增強（GAE）模塊，利用格蘭杰因果關系構建電極間的動態(tài)功能連接圖，提取并增強具有因果關系的空間關鍵特征。同時，DCENet構建了全局卷積Transformer（GCT）模塊，該模塊利用了Transformer的全局建模優(yōu)勢和與卷積操作的局部感知優(yōu)勢，以捕獲不同尺度的時間特征。此外，DCENet通過局部差分融合（LDF）模塊自適應融合時空特征，實現(xiàn)情感類別的跨域特征對齊和特征對齊，協(xié)同進化具有更細粒度信息的情感表示特征。
文章實驗結果表明，DCENet模型在三個公開數(shù)據(jù)集（SEED，SEED-IV，MPED）上的準確性方面由于現(xiàn)有方法。
研究背景
近年來，隨著深度學習的快速發(fā)展，研究人員越來越多地將深度學習模型應用于基于EEG的情緒識別任務。盡管基于EEG的情緒識別研究已取得顯著進展，但現(xiàn)有方法難以有效地建模大腦活動的復雜時空動態(tài)特性。
在空間層面，大多數(shù)模型依賴于根據(jù)電極物理坐標預先定義的靜態(tài)連接圖。這種基于解剖距離的固定拓撲，忽視了不同腦區(qū)在情緒加工中實際的、隨時間變化的功能性因果連接，導致無法準確表征大腦網(wǎng)絡的非歐幾里得空間的動態(tài)特征。
在時間層面，許多主流方法往往將時序特征與空間特征進行分離提取或簡單融合，缺乏有效的協(xié)同學習機制。這種處理方式難以捕捉情緒產(chǎn)生過程中，大腦時空模式之間緊密的耦合與共演化關系，從而限制了模型對細粒度、差異化情感狀態(tài)的表征能力。
因此，如何設計一個能夠統(tǒng)一建模大腦動態(tài)功能連接，實現(xiàn)時空特征深度協(xié)同與自適應融合的框架，提升EEG情緒識別模型性能與泛化能力，是文章所提出的DCENet旨在解決的核心問題。
方法
DCENet使用雙支路并行結構，由三個核心模塊組成：GAE模塊，GCT模塊，LDF模塊，整體框架圖如下。
（1）圖感知增強（GAE）模塊
GAE模塊旨在突破基于固定物理距離的靜態(tài)連接局限。GAE模塊采用格蘭杰因果分析，對輸入的EEG序列動態(tài)構建鄰接矩陣，來評估電極之間的因果關系，形成更符合神經(jīng)信號傳遞邏輯的動態(tài)功能連接圖。在此基礎上，通過圖卷積網(wǎng)絡（GCN） 在此動態(tài)拓撲結構上進行空間特征提取。
為了增強關鍵情感特征的表征，抑制無關信號干擾，作者設計了感知增強注意力機制（PEAM）。該機制并行執(zhí)行標準差池化、平均池化與最大池化，通過多視圖特征壓縮有效抑制噪聲、提高信噪比，并生成雙權重注意力圖對特征進行自適應調(diào)制，從而優(yōu)化網(wǎng)絡效率。GAE模塊結構圖如下所示。
（2）全局卷積Transformer（GCT）模塊
GCT模塊改進了Transformer結構，模塊使用了Transformer的多頭自注意力機制，以有效建模全局時間上下文關系。此外，該模塊將標準的前饋網(wǎng)絡替換為一個多尺度卷積前饋層。該層使用兩個并行的一維卷積分支（核尺寸分別為3和5），對注意力輸出進行并行處理，以同時捕獲不同時間粒度下的局部動態(tài)特征。隨后，通過Hadamard積融合兩支路輸出，再與原始輸入進行殘差連接與層歸一化，最終輸出兼具全局依賴與多尺度局部細節(jié)的增強時序特征。其模塊如下所示。
（3）局部差分融合（LDF）模塊與損失函數(shù)
LDF模塊采用層級自適應加權融合。首先，對GAE和GCT兩層輸出的空間、時序特征分別進行第一級融合，提煉多層次表征。然后進行第二級融合，通過Softmax歸一化的可學習權重動態(tài)平衡時空貢獻。此外，模塊引入局部子域差異（LSD）損失函數(shù)，該損失在情感類別層面上，通過計算類內(nèi)與類間樣本在特征空間中的分布距離，使模型縮小跨被試同類樣本的距離，同時拉大不同類樣本的邊界，實現(xiàn)細粒度域適應?？倱p失函數(shù)整合了LSD損失函數(shù)與分類交叉熵（CE）損失函數(shù)。模塊結構詳見上文整體框架圖。
實驗結果
論文使用了三個公開數(shù)據(jù)集SEED，SEED-IV和MPED，數(shù)據(jù)集信息如下表所示。實驗采用留一法交叉實驗（LOSO）來評估模型性能。所有實驗均使用Adam優(yōu)化器，學習率設置為0.01，Dropout層設置參數(shù)為0.5，以防止過擬合。
（1）SEED數(shù)據(jù)集實驗結果
在SEED數(shù)據(jù)集上，DCENet在跨被試識別任務中，平均準確率達到87.55%。在跨實驗時段識別任務中，平均準確率達到90.72%。對比論文中進行對比的十五種方法，該模型在兩個任務上均取得了最優(yōu)性能。
（2）SEED-IV數(shù)據(jù)集實驗結果
在SEED-IV數(shù)據(jù)中，由于分類任務從SEED數(shù)據(jù)集的三分類變?yōu)樗姆诸?，因此各模型的準確率均有所下降。而DCENet在該數(shù)據(jù)集取得了跨被試73.04%和跨實驗時段77.21%的平均準確率，依然在同類方法中保持領先。
（3）MPED數(shù)據(jù)集實驗結果
在MPED數(shù)據(jù)集中，由于所有受試者的數(shù)據(jù)都是只采集了一輪，因此無法進行跨實驗時段的實驗，論文換成了跨被試和跨實驗視頻的實驗。而該數(shù)據(jù)集是一個七分類任務，因此所有模型的性能對比前兩個數(shù)據(jù)集有明顯的下降。DCENet在跨被試任務的平均準確率為27.72%，在跨實驗視頻任務的平均準確率為42.31%。雖然性能一般，但是仍優(yōu)于其他的模型方法。
（4）跨數(shù)據(jù)集實驗結果
為檢驗模型的域適應能力，論文進行了跨數(shù)據(jù)集遷移實驗。當以SEED為源域，SEED-IV為目標域（“SEED → SEED-IV”）時，DCENet的平均準確率為57.83%；在反向遷移（“SEED-IV → SEED”）中，DCENet的準確率為54.41%。優(yōu)于SVM、DGCNN等其他方法。該結果表明LDF模塊及LSD損失函數(shù)的有效性，能夠在一定程度上緩解不同實驗范式與數(shù)據(jù)分布之間的差異，實現(xiàn)更具泛化性的特征對齊。
（5）消融實驗結果
消融實驗證實了各核心模塊的必要性：
移除GAE模塊（使用靜態(tài)物理連接替代動態(tài)因果圖）導致在SEED和SEED-IV數(shù)據(jù)集上的性能下降約5%，表明構建動態(tài)腦功能連接起到了重要作用。
移除GCT模塊或LDF模塊亦會造成準確率損失約2-3%。此外，將LDF中的自適應融合替換為簡單拼接或求和操作，以及移除局部子域差異（LSD）損失函數(shù)，均會導致模型泛化性能明顯降低，這共同證明了本文所提出的協(xié)同進化機制與細粒度域適應策略的有效性。
結論
本研究提出了一種新穎的時空特征動態(tài)協(xié)同進化網(wǎng)絡（DCENet）。該網(wǎng)絡通過構建基于格蘭杰因果的動態(tài)圖感知（GAE）模塊、融合多尺度時序建模的全局卷積Transformer（GCT），以及細粒度域適應的局部差分融合（LDF）模塊，DCENet一定程度上克服了靜態(tài)腦連接假設與時空特征割裂的局限。實驗表明，對比其他主流方法，該模型在SEED、SEED-IV和MPED數(shù)據(jù)集上實現(xiàn)了最優(yōu)性能，驗證了所提框架在EEG情緒識別中的有效性與泛化能力。
撰稿人：龍柏成
審稿人：李景聰
