采用多路圖注意力網絡的情緒腦電信號識別方法

李景聰，潘偉健，林鎮遠，陳希昶，潘家輝

（華南師范大學 軟件學院，廣東 佛山 528200）

人對客觀世界事物的感情態度和相應的行為反應被稱為情緒[1]。近年來，基于生理信號的情緒識別研究受到了廣泛關注。人在情緒體驗中即時反應所產生的生理信號具有實時性、客觀性、難以偽裝等特點，因此使用生理信號進行情緒識別能夠得到相對客觀真實的結果[2]。常用于情緒分析的生理信號有腦電(electroencephalogram,EEG)、心電(electrocardiogram,ECG)、肌電(electromyography,EMG)和皮膚溫度(skin temperature,SKT)等[3]。大量神經元同步發生的電位之和稱為腦電信號，腦電信號是大量腦神經細胞的電生理活動在頭皮上的匯總，常使用非侵入式電極對頭皮腦電信號進行采集[4]。腦電信號包含了大量的生理信息，可以準確地表征大腦的神經活動，利用腦電信號研究情緒特征能夠獲得更多神經活動信息，提高情緒識別的準確率[5]。

以往的研究表明，大腦皮層有兩個區域與情感活動密切相關，即杏仁核（位置靠近海馬體，在顳葉的前部）和額葉前皮層（覆蓋額葉的一部分）。在情緒體驗期間，大腦皮層的某個特定部位通常會被激活，同時整個腦區也會呈現出全局特征，例如杏仁核的激活與消極情緒有關，右額葉的激活與負面情緒有關[6]。不同腦區的神經活動在情緒體驗期間具有內在的聯系，而腦電極測得的腦電信號也能體現出不同腦區的某種內在聯系。

情緒腦電的分類過程包括特征提取和分類兩個階段。腦電信號是一種高動態、非線性的數據，原始的腦電數據量大且具有冗余性，因此提取腦電數據的特征是至關重要的。腦電信號的特征分析方法主要分為時域方法、頻域方法、時頻分析、非線性動力學分析等[7]。其中，被廣泛使用的腦電信號的頻域特征分析方法之一是將EEG信號分解為幾個頻帶如delta 頻帶(1～3 Hz)、theta頻帶(4～7 Hz)、alpha 頻帶(8～13 Hz)、beta 頻帶(14～30 Hz)和gamma 頻帶(>31 Hz)。Li 等[8]發現使用gamma 頻帶上的特征進行情緒腦電分類時有更高的準確率。另外，腦電信號的非線性特征分析也是一種主流的研究方法。常用的腦電信號非線性特征有轉移熵(symbolic transfer entropy)、排列熵(permutation entropy)、微分熵(differential entropy，DE)等。熵是描述信號不確定性的參數，值越大信號的不確定性越高。Duan 等[9]發現在情緒腦電分類任務中使用微分熵特征的分類效果比使用其他特征的分類效果更加好，相較于傳統特征如能量譜 (energy spectrum，ES)，使用微分熵的效果準確性更高，穩定性更好。

情緒腦電信號很微弱容易受到外界干擾，為了有效分析腦電信號，提出了許多基于機器學習的腦電信號分析方法[4]。深度學習是機器學習的一個分支，因為其具有強大的數據表征學習能力，研究人員開始把它應用到了腦電情緒分類任務中，用來解碼復雜的情緒腦電。Alhagry 等[10]利用長短期記憶網絡(long short-term memory,LSTM)對情緒腦電信號進行分類，在DEAP 數據集上取得87.99%的準確率。為了消除腦電信號的個體差異，Li 等[11]使用了一種深度自適應網絡(domain adaptation networks,DAN)，通過調整深度網絡結構提高遷移特征的能力，并將其應用于SEED 和SEED-IV 數據集上的情緒識別任務，能夠很好地處理跨被試情緒識別任務。Li 等[12]提出一種Bi-HDM (bi-hemispheric discrepancy)模型，這個模型將腦電通道分為左半腦和右半腦，分別訓練網絡，結果證明了將非對稱差分信息納入腦電情緒識別的有效性。Liu 等[13]將眼動信號和EEG 腦電信號特征融合在一起，提出了一種多模態的情緒腦電識別網絡(bimodal deep autoencoder,BDAE)，在SEED 數據集上達到91.01%的準確率。

深度學習方法中的卷積神經網絡(convolutional neural network，CNN)具有強大的建模能力，成功應用于自然語言處理、圖像識別、時間序列預測等領域。卷積神經網絡適合處理歐氏數據(Euclidean structure data)，不能有效地處理非歐氏數據(non-Euclidean structure data)，數據見文獻[14]。腦電信號通道分布排列不均勻，不滿足平移不變性，即每個通道節點都具有不相同的局部結構，適合使用圖數據表示。同時，因為情緒腦電通道之間具有一定的聯系，而卷積神經網絡無法捕捉腦電通道之間的依賴關系，因此在腦電信號情緒識別任務中表現不佳。圖神經網絡在處理圖數據方面取得了令人矚目的成果，越來越多研究人員投入到圖神經網絡的研究中。近期的研究表明，圖神經網絡適用于腦電情緒識別任務，其性能達到或超過了其他類型的方法[15]。為了探索腦電數據的圖結構中更深層信息，Zhang 等[16]提出了一種名為GCB-net (graph convolutional broad network)的網絡模型，并在SEED 和DREAMER 數據集上取得了較高準確率。Zhong 等[17]為了捕獲本地和全局通道間關系，提出了正則化圖神經網絡(regularized graph neural network,RGNN)，該網絡可以捕獲通道間的局部和全局聯系，同時減少噪音的干擾，從而提高了情緒腦信號識別的魯棒性。Song 等[18]提出了一種用于情感識別的動態圖卷積神經網絡(dynamical graph convolutional neural network,DGCNN)，對EEG 信號通道建圖，網絡可以動態地改變圖的拓撲結構，挖掘出EEG電極通道間的功能聯系。目前，大多數情緒識別研究利用卷積神經網絡提取腦電信號的特征，使用圖神經網絡的研究較少。同時，以往的研究一般利用神經科學的結論選擇特定的通道進行分析，而對情緒腦電通道間的聯系性還沒有深入研究，這導致無法更好地識別腦電通道的信號模式，因此分析腦電通道之間的聯系是必要的。

針對以上研究現狀及挑戰，本文提出一種基于圖注意力網絡的腦電情緒識別方法，此方法將腦電信號建模為圖數據并結合到圖神經網絡中，能夠學習各腦電通道之間的相關性[19]。本文在3個數據集（SEED、SEED-IV 和DREAMER）中進行本方法的驗證實驗，結果顯示本方法的識別準確率較高、穩定性較好。本文的主要工作和貢獻有：

1）所提出的MPGAT 在跨被試情緒腦電信號分類任務上表現優秀，在SEED、SEEDIV 和DREAMER 數據集上測試結果表明，MPGAT 達到當前最先進模型的性能水平；

2）MPGAT 利用多通路結構來提取腦電信號的多尺度時頻特征，進而實現多通路多尺度腦電信號特征融合[20]；

3）同時運用了圖注意力機制來捕捉不同對象的情緒腦電信號的時空域特征，實現跨被試情緒識別。

1 圖注意力網絡方法

1.1 腦電特征圖構建方法

目前，腦電采集方法通常是將若干個腦電極固定在人頭部或大腦皮層的相應位置，由腦電極測量大腦皮層神經活動引起的電壓變化。腦電極的分布位置是由一些標準規定的，比如國際10/20系統[6]。腦電極的分布位置是固定的且有一定的規律，所以腦電信號可以被視為一種經典的非歐氏結構化數據，非常適合用圖數據來表示：

式中：V代表圖 G的節點（總共有N個節點）；E 是圖G 的無向邊邊集。腦電信號的圖表示方法中，往往用一個節點代表一個EEG 電極，根據腦電節點的位置由K-近鄰算法(KNN)生成邊集 E，從而可以將腦電信號表示為一個無向圖。

1.2 圖注意力網絡方法

根據以往的研究，圖卷積神經網絡分為譜方法和空間方法。譜方法利用卷積定理，使信號映射到譜空間,克服了非歐氏數據缺失平移不變性特點；空間方法是直接在圖數據上進行操作，通過聚合鄰居節點的信息達到卷積效果。

圖注意力網絡（graph attention networks,GAT）是一種基于注意力機制來進行圖結構數據分類的網絡，屬于圖卷積神經網絡的空間方法，其基本思想是利用自注意力策略，通過聚合鄰居點的信息來計算每個圖節點在圖數據的隱藏表征，并利用注意力機制定義信息融合函數[21]。與其他圖網絡不同的是，圖注意力網絡是通過節點的特征表達來計算關聯權重，而不是根據邊的信息計算權重。

圖注意力網絡的輸入是一系列節點的特征向量，可表示為H={h1,h2,···,hN},hi∈RN×F，其中N是節點數量，F是特征維數。圖注意力網絡使用了一種自注意力機制a來計算輸入特征向量的注意力系數，并進行歸一化，具體如式(1)、(2)。

式中：eij是節點i與節點j之間的注意力權重；αij是歸一化后的注意力權重，表示節點j對節點i的重要程度；h是特征向量；W是權重矩陣。

由式(1)、(2)可得，圖注意力網絡計算節點i的一階鄰居節點的注意力系數，注意力權重和表達式為

式中：aT代表注意力權重向量的轉置；L(·)表示 LeakyReLU 激活函數。為了使網絡獲得更多信息，圖注意力網絡使用了一種多頭機制，使得每個頭捕獲不同的信息，最后將多頭的信息通過一個線性層融合在一起，注意力系數與對應的特征向量組合起來，計算每個節點的最終輸出特征：

式中：W是線性層的權重矩陣；σ是非線性激活函數；是圖注意力網絡最終輸出網絡。

圖注意力網絡通過注意力機制，分配不同權重給節點，有效地提高了網絡的表征能力。同時，圖注意力網絡運行非常高效，計算復雜度為O(|V|FF′+|E|F′)。F是輸入向量的維度，|V|是節點數量，|E|是邊數量。

在情緒體驗期間，大腦的特定部位被激活，呈現出局部特征。研究表明，不同大腦腦區具有聯系性。圖網絡能夠發掘出不同腦電通道之間的聯系性，注意力機制給予節點不同的權重，賦予了網絡更好的表征性能。圖注意力網絡應用到腦電信號上，能夠得到更能表現情感特征的腦電信號表征，從而得到更好的分類效果。

1.3 MPGAT 情緒識別模型

本文提出了一種基于圖注意力網絡的跨被試情緒腦電識別模型。本文的模型MPGAT 具有多個通路，目的是運用多通路來提取多個尺度的時頻特征和通道聯系。每個通路首先對EEG 信號進行卷積池化，這是為了提取單個EEG 通道內特征信號的時頻域特征。而不同的通路由擁有不同的卷積核的卷積層和池化層提取EEG 信號的全局或局部的時頻特征，這樣可以挖掘出EEG 信號在不同尺度的特征數據。通路對EEG 信號進行卷積池化后，再利用圖網絡去提取通道間的聯系信息，即情緒體驗期間多個EEG 腦電極之間采集到信號之間的全局或局部聯系信息，獲取不同腦區之間相干程度信息，從而得到更精細、更準確的情緒腦電識別模型。MPGAT 網絡的總體結構分為3 個路徑，每個路徑的組成為卷積池化模塊、圖注意力網絡層、全連接層和輸出層，如圖1所示。每個卷積池化模塊包括不同大小卷積核的二維卷積和最大值池化。該模型首先使用二維卷積和最大值池化對腦電特征數據進行降采樣和特征提取，將卷積池化的輸出矩陣進行形狀重塑成一個一維特征向量，再將這個特征向量與EEG 電極圖相結合，輸入圖注意力網絡。將3 個圖注意力網絡的輸出拼接在一起輸入一個全連接層，得到情緒預測結果。

圖1 MPGAT 模型框架圖Fig.1 Framework of MPGAT model

1.3.1 卷積池化模塊

MPGAT 第一層由3 個卷積池化模塊組成，卷積池化模塊只針對單一EEG 通道，其目的是取單個腦電信號通道內5 個頻帶之間的時頻特征，形式是一個形狀為5×T的二維矩陣，T為EEG 特征信號長度。具體而言，就是將EEG 特征圖數據復制為3 份，同時輸入到3 個卷積池化模塊中。其中，模塊主要由二維卷積和最大值池化組成。1×1卷積核的作用是增加腦電信號的維度。不同的通路使用了不同大小的卷積核和下采樣層，小卷積核能提取鄰接頻帶的關聯信息，即提取頻帶間的局部時頻特征。而大卷積核對全部5 個頻帶卷積獲取全局特征，通過不同通路的卷積池化操作，使得不同通路具有不同的感受野。卷積池化操作后使用非線性激活函數為網絡增加非線性特性，可以概括為

式中：x和z分別是輸入和輸出特征矩陣；*代表卷積運算；wk是某個卷積層的權重矩陣；bk是偏置參數；σ表示非線性激活函數。

在卷積池化模塊中，激活函數主要使用ReLU函數：

式中：R(·)代表ReLU 函數。

由于每個被試的腦電數據分布相差較大，網絡需要適應不同的數據分布，導致網絡訓練速度下降和出現過擬合現象。為了解決這個問題，在卷積之后和使用ReLU 激活函數之前增加一個批量歸一化層(batch normalization,BN)。在使用ReLU 激活函數之后，增加dropout 層，目的是進一步防止過擬合現象以及提高網絡的泛化能力。

1.3.2 圖注意力層

圖注意力網絡可以學習多通道間的依賴關系，且不改變腦電特征圖的結構。本模型的圖網絡層包括3 個平行的模塊，每個模塊有兩層圖注意力網絡。圖網絡的輸入是一維特征向量，因此需要把卷積池化模塊的二維矩陣輸出重塑為一維特征向量。為了盡可能地學習腦電通道間的依賴關系，需要把卷積池化模塊的二維矩陣輸出重塑為一維特征向量。

1.3.3 全連接線性層

將圖注意力網絡的輸出特征hk拼接在一起，就得到了全連接層的輸入向量z：

式中：C表示向量拼接函數。

全連接層后使用LogSoftMax 函數得出最后的情緒腦電預測結果，w和b表示權重矩陣和偏置項：

式中：P代表預測結果；L(·)代表LogSoftmax 函數。

2 實驗設計

2.1 數據集

SEED 數據集是上海交通大學BCMI 實驗室采集的情緒腦電數據集，全稱為“SJTU Emotion EEG Dataset”。數據集中總共包含15 位受試者針對15 個實驗的62 通道腦電信號。研究人員準備了15 個時長為4 min 左右的電影片段，這些電影片段被分為3 個類別，分別是消極、中性和積極。積極類型的影片是喜劇，觀看時會激發被試者的快樂等積極情緒；而消極類型的影片是天災人禍類型的悲劇電影，會令被試者激發悲傷等消極情緒；中性電影是世界遺產紀錄片，不會激發被試的積極或者消極情感。受試者被要求觀看這些電影片段，在每個片段播放完畢后，受試者有45 s 的時間進行自我評價和心情平復。

SEED 數據集所提供的腦電數據為62 通道的腦電數據，每個被試者都會進行3 輪試驗，每次試驗相隔1～2 周時間，整個數據集共包括45 次試驗的數據。每個試驗的數據都進行了預處理，原始數據被降采樣為200 Hz，且經帶通濾波器處理后保留0～75 Hz 的數據。

SEED-IV 數據集同樣是BCMI 實驗室采集的情緒腦電數據集。與SEED 數據集不同的是，研究人員準備了72 個電影片段，分為4 個類別，分別是開心、傷心、恐懼和中性。每個被試者接受了3 次實驗，每次觀看24 個電影片段。試驗期間，被試者的腦電信號和眼動信號分別被62 通道的ESI NeuroScan 系統和SMI 記錄儀記錄。

DREAMER 數據集是一個常用的情緒識別數據集。研究人員讓被試者觀看剪輯過的電影片段，以誘發被試者的情緒，并使用14 通道的腦電采集設備記錄EEG 數據。每段影片播放完畢后，研究人員根據被試者的評價使用效價、喚醒、支配3 個維度對情緒進行分類。數據集包含了快樂、興奮、幸福、平靜、憤怒、厭惡、恐懼、悲傷和驚訝9 種情緒誘發影片各2 段，一共18 個電影片段。

對于SEED 和SEED-IV 數據集，腦電數據的微分熵特征通過短時傅里葉變換和不重疊的漢明窗口（為1 s）計算得出，并在5 個頻段中求平均值。微分熵的公式為

為了簡化計算，假設腦電信號遵循高斯分布為x～N(μ,σ2)，微分熵的計算可以簡化為

在DREAMER 數據集中，本文使用1～75 Hz帶通濾波器來減少EEG 信號的噪具體地。具體地，通過使用短期傅里葉變換（short-time Fourier transform,STFT）從EEG 信號中獲得theta 頻帶(4～7 Hz)、alpha 頻帶(8～13 Hz)、beta 頻帶(14～30 Hz)和gamma 頻帶(>31 Hz)。特征提取方面，本文假設腦電信號遵循高斯分布，根據式(11)、(12)可以得到DREAMER 數據集的微分熵特征。

2.2 實驗環境和參數設置

本文實驗的軟硬件環境為：Ubuntu 18.04 操作系統，模型搭建框架為Pytorch 1.7.0 和Pytorchgeometric 1.7.0，使用一張2080TI 顯卡加速訓練任務，CUDA 版本為11.2，內存64 GB，顯存11 GB。

本文使用交叉驗證方法評估本文提出的方法，具體方法是使用其中一個被試者的腦電數據作為測試集，其他被試者的腦電數據作為訓練集。因為SEED 和SEED-IV 的被試數量同樣是15，模型訓練分別在SEED 和SEED-IV 上進行15 次，每一次的測試集數據為其中一個被試者的腦電數據，保證每個被試者的數據都參與了測試集，而在DREAMER 數據集上被試者數量為23，同樣使用留一法進行交叉驗證實驗。本文實驗利用了SEED 和SEED-IV 數據集中的預處理特征數據進行情緒識別實驗，而在DREAMER 數據集上使用微分熵特征進行實驗。本文的實驗采用了Adam 優化器加速模型的訓練過程[22]，batch size為16，學習率為0.000 01。同時，使用Dropout 算法抑制模型的過擬合現象。在訓練過程中，訓練集的評價指標為AUC 參數達到0.999 以上時停止訓練。

3 實驗結果與討論

3.1 實驗結果對比

表1 給出了在SEED 數據集和SEED-IV 數據集中，本文使用的MPGAT 和其他論文模型的平均準確率和標準差。其中，傳統機器學習方法可以被運用在情緒分類任務上，Collobert 等[23]提出了支持向量機(supported vector machine,SVM)和轉導支持向量機T-SVM；Pan 等[24]提出遷移成分分析(transfer component analysis,TCA)。深度學習方法也被運用在情緒分類中，類似的研究有：Song等[18]使用動態圖卷積神經網絡，能夠動態改變圖信號，獲得更佳的表征；Li 等[11]使用深度適應網絡進行跨被試情緒識別；Li 等[12]為了模擬兩個半球腦電信號之間的不對稱差異，提出了一種新穎的雙半球差異模型（BiHDM）用于腦電情緒識別。

表1 不同模型在SEED 和SEED-IV 數據集上的平均準確率和標準差Table 1 Average accuracy and standard deviation of different models on the SEED and SEED-IV datasets %

作為對比，本文使用GCN[24]、GAT[21]與MPGAT在SEED 和SEED-IV 數據集上進行了實驗。從表1 中可得，本文提出的MPGAT 在SEED 數據集上平均準確率為86.03%，方差為7.40，在SEED-IV數據集上平均準確率為72.71%，方差為4.38。同時，在SEED 數據集中，GCN 的平均準確率比MPGAT低1.08%，GAT 的平均準確率比MPGAT 低0.45%。在SEEDIV 數據集中，MPGAT 的平均準確率比GAT 和GCN 分別高2.38%和0.38%。MPGAT 在SEED 和SEEDIV 數據集上的標準差在所有模型中較低，說明MPGAT 在執行情緒識別任務上具有良好的穩定性。

為了驗證MPGAT 的穩定性，本文利用交叉驗證法進行了30 次跨被試者情緒分類實驗。如圖2所示，由于不同被試者個體之間的情緒腦電差異較大，導致跨被試情緒識別結果準確率波動較大。從圖2 可以得出，被試序號3、6、9、11、14 的平均準確率顯著高于總平均準確率，而被試序號7、8、12 的平均準確率低于80%。總體來說，MPGAT 的情緒識別平均準確率達到了最先進模型的準確率，由此證明本文提出的基于圖注意力網絡的情緒識別方法是有效的。

圖2 MPGAT 模型對于SEED 數據集每個被試的實驗結果Fig.2 Experimental results of the MPGAT model for each subject in the SEED dataset

表2 給出了在DREAMER 數據集上MPGAT和其他論文模型的平均準確率和標準差。其中，Zheng 等[26]使用SVM 和深度信念網絡（deep belief networks，DBN）進行情緒分類任務。SVM 和DBN 模型的效價與喚醒的平均準確率分別為56.57%和58.91%，56.43%和58.94%。實驗結果表明，MPGAT 在DREAMER 數據集上的效價與喚醒的平均準確率分別為76.35%、75.46%，在喚醒維度上是所有模型最高的。因此，MPGAT 在DREAMER 數據集上具有良好的識別表現，同時也進一步驗證了MPGAT 的先進性和可行性。

表2 不同模型在DREAMER 數據集上的平均準確率和標準差Table 2 Average accuracy and standard of different models on the DREAMER datasets %

3.2 MPGAT 各通路對實驗結果的影響

MPGAT 的特點是具有多條通路提取EEG 特征信號的信息，不同通路的卷積池化模塊具有不同的卷積核。為了驗證通路對實驗結果的影響，本文在SEED 數據集進行了消融實驗。3 個通路中缺失通路一時準確率為85.42%，缺失通路二時準確率為85.36%，缺失通路三時準確率為85.67%，分別低于具有3 個通路的MPGAT 模型0.61%、0.67%、0.36%。這就表明，3 個通路能夠多尺度地獲取信息，把3 個通路的輸出拼接起來，再通過線性層，能夠對情緒識別任務的準確率產生增益。

3.3 不同特征對實驗結果的影響

原始情緒腦電是非平穩、非線性的隨機信號，數據量冗余較大，且信噪比較低，而腦電信號特征參數如功率譜密度(power spectral density,PSD)、微分熵等更能代表腦電信號在某些方面的突出特征，因此情緒分類任務一般使用腦電信號的特征進行分類。以往的研究表明，使用不同特征會對情緒識別結果產生顯著影響。如圖3 所示，RASM(rational asymmetry)和DASM(differential asymmetry)是由DE 特征計算得出的，旨在表達不對稱性[9]：

圖3 MPGAT 在SEED 數據集不同特征的實驗結果Fig.3 Experimental results of different features of the MPGAT in the SEED dataset

式中：D代表DASM；R代表RASM。

本文在SEED 數據集上分別使用DE、PSD、ASM、DASM 以及RASM 特征進行跨被試情緒識別任務，結果顯示DE 的分類結果顯著優于其他特征，與以往的研究基本一致。另外，PSD、ASM、DASM、RASM 特征的平均準確率分別為77.56%、8.43%、77.33%、78.49%，均低于微分熵DE 特征。

3.4 圖連通性對結果的影響與腦電地形圖分析

本文提出的EEG 建圖算法能夠利用不同EEG電極的情緒腦電數據的聯系。EEG 圖的連通性也會對模型準確率產生一定的影響，而本文利用k近鄰算法作為對EEG 電極建模的算法。如圖4所示，針對k近鄰算法的不同k值對模型的影響進行了實驗。其中，k值為3 時模型準確率達到最高為86.03%，k值為4、5、10 的準確率分別為85.81%、85.32%、84.52%，平均準確率隨著k值的增大而減小。由此可知，圖連通性越大，準確率并不會相應提高，反而圖注意網絡的情緒腦電表征能力會得到削弱。當k=62 時，因為電極數為62，此時EEG 圖為全連接圖，每個節點都可以獲取其他所有節點的信息，但是此時準確率比k值為3 時的準確率低0.55%。圖5 是模型訓練結束后特征可視化得到的腦電地形圖。從圖5 中可得，積極情緒中權重較大的電極分別是P8、FZ、FC1、CZ、PZ。激活電極主要分布在腦部頂葉所在的位置，同時額葉也有一定程度的激活。自然情緒中權重較大的電極分別是FPZ、F3、FT7、C2、P5，激活電極的分布較為分散，額葉有較為明顯的激活。消極情緒權重較大的電極分別是FC5、CP1、PO3、O1、P6，激活電極分布在腦部枕葉所在的位置。

圖4 不同k 值的KNN 算法建圖在SEED 數據集實驗結果Fig.4 KNN algorithm mapping experiment results using different k values in the SEED dataset

圖5 MPGAT 模型的特征向量可視化圖Fig.5 Feature vector visualization diagram of MPGAT model

4 結束語

本文提出了一種基于圖注意力網絡的跨被試腦電情緒識別方法。本研究根據腦電極位置將腦電信號建模為圖數據，輸入圖注意力網絡模型進行訓練并得出結果。本文提出的MPGAT 通過融合多個平行的圖注意力模塊的輸出特征向量，以捕捉不同腦區之間的局部和全局特征。與其他模型準確率相比，MPGAT 具有較高的準確率和較好的穩定性，達到了最先進模型的水平。未來，我們將改進MPGAT，使其計算復雜度降低同時準確率得到提升。本文的模型有望為情緒認知科學研究與情緒腦機接口系統提供新的技術手段。