脑波编码千个记号：建模用于有效 EEG 基于情感的识别的跨脑区神经相互作用
神经元与认知
2025-11-19 v1 机器学习
摘要
人类情感难以通过语言表达，往往在抽象化过程中受到限制；然而，脑电图（EEG）信号可提供更直接的情感脑活动窗口。最近的研究表明，深度学习模型能够处理这些信号，以高精度进行情感识别。然而，许多现有方法忽略了不同脑区之间动态相互作用，这在理解情感如何随时间展开和演变方面至关重要， potentially 有助于更准确的情感识别。为此，我们提出了 RBTransformer，这是一种基于 Transformer 的神经网络架构，用于在潜在空间中建模大脑的跨脑区神经动态，以更好地捕获结构化的神经相互作用，用于有效的 EEG 基于情感的识别。首先，将 EEG 信号转换为带差熵（BDE）记号，然后通过电极身份嵌入以保留空间来源。这些记号经过一系列跨脑区多头注意力块处理，以构建电极 × 电极注意力矩阵，使模型能够学习跨脑区神经依赖性。最终的特征通过分类头获得最终预测。我们在主观依赖设置下，对 SEED、DEAP 和 DREAMER 数据集进行了大量实验，涵盖 Valence、Arousal 和 Dominance 三个维度（DEAP 和 DREAMER），以及二分类和多分类设置。结果表明，所提出的 RBTransformer 在所有三个数据集上， 在所有三个维度下， 在两种分类设置中均优于所有先前的状态方法。源代码可在 https://github.com/nnilayy/RBTransformer 查阅。
引用
@article{arxiv.2511.13954,
title = {A Brain Wave Encodes a Thousand Tokens: Modeling Inter-Cortical Neural Interactions for Effective EEG-based Emotion Recognition},
author = {Nilay Kumar and Priyansh Bhandari and G. Maragatham},
journal= {arXiv preprint arXiv:2511.13954},
year = {2025}
}