基于增强 Transformer-CNN-BiLSTM 架构的 EEG 情绪分类：双注意力机制
机器学习
2026-02-09 v1
摘要
基于 EEG 的情绪识别在情感计算和新兴决策支持系统中发挥着关键作用，但由于信号高维、噪声大且受主体差异影响，仍面临较大挑战。本研究旨在探讨是否可以通过融合卷积、循环和注意力组件的混合深度学习架构来提高 EEG 数据在情绪分类任务中的性能和鲁棒性。我们提出一种增强型混合模型，组合卷积特征提取、双向时序建模和自注意力机制，并引入正则化策略以缓解过拟合。在公开的 EEG 数据集上进行的实验表明，所提方法 achieves state-of-the-art 分类性能，显著优于经典机器学习方法和神经网络基准。统计检验确认这些性能提升在交叉验证下的鲁棒性。特征层面的分析进一步揭示，协方差-based EEG 特征对情绪区分贡献最大，凸显了跨通道关系在情感建模中的重要性。这些发现表明，精心设计的混合架构能够在 EEG 基于情绪的识别中有效平衡预测准确性、鲁棒性和可解释性，为应用情感计算和以人为中心的智能系统指明了方向。
引用
@article{arxiv.2602.06411,
title = {EEG Emotion Classification Using an Enhanced Transformer-CNN-BiLSTM Architecture with Dual Attention Mechanisms},
author = {S M Rakib UI Karim and Wenyi Lu and Diponkor Bala and Rownak Ara Rasul and Sean Goggins},
journal= {arXiv preprint arXiv:2602.06411},
year = {2026}
}