一种新型傅里叶邻域变换用于EEG情感识别
信号处理
2025-03-19 v1 人工智能
机器学习
神经元与认知
摘要
EEG 情感识别由于噪声干扰、信号非平稳性以及大脑活动的内在复杂性，面临着显著的挑战，使其难以准确进行情感分类。本研究提出了傅里叶邻域变换（Fourier Adjacency Transformer），一种新型框架，将傅里叶周期性分析与图驱动结构建模无缝集成。该方法首先利用新颖的傅里叶启发模块从嵌入的 EEG 信号中提取周期性特征，从而有效地将其与非周期性成分解耦。随后，我们采用邻域注意力方案来强化普遍的信道间关联模式，将这些模式与基于样本的相应模式相耦合。在 SEED 和 DEAP 数据集上的经验评估表明，该方法优于现有的前沿技术，识别准确率提升约 6.5%。通过统一周期性和结构洞察，该框架为未来的 EEG 情感分析提供了有前景的方向。
引用
@article{arxiv.2503.13465,
title = {A novel Fourier Adjacency Transformer for advanced EEG emotion recognition},
author = {Jinfeng Wang and Yanhao Huang and Sifan Song and Boqian Wang and Jionglong Su and Jiaman Ding},
journal= {arXiv preprint arXiv:2503.13465},
year = {2025}
}