FDC-Net：论 EEG 伪影去除与多维情感计算关联性的再思考
人机交互
2025-08-12 v2 人工智能
摘要
基于 EEG 的情感识别在情感计算和脑机接口领域具有重要价值。然而，在实际应用中，EEG 记录易受各种生理伪影的影响。当前方法通常将降噪和情感识别视为独立任务，使用级联架构，这不仅导致误差累积，还未能利用这些任务之间潜在的协同效应。此外，传统的 EEG 基于情感识别模型常依赖于“完全降噪数据”的理想化假设，缺乏针对噪声鲁棒性的系统性设计。为此，本文提出一种深入耦合降噪和情感识别任务的新型框架，用于端到端噪声鲁棒情感识别，称为基于反馈驱动的去噪-分类联合网络（FDC-Net）。我们的主要创新在于通过：(1) 双向梯度传播与联合优化策略；(2) 集成频率自适应 Transformer 且带可学习带位编码的门控注意力机制，在伪影去除与情感识别之间建立动态协作机制。采用两个最流行的基于 EEG 的情感数据集（DEAP 和 DREAMER）进行评估，比较了 FDC-Net 与九种最先进方法在伪影去除和情感识别性能上的差异。在降噪任务方面，FDC-Net 在 DEAP 上获得最高相关系数（CC）值为 96.30%，在 DREAMER 上获得最高 CC 值为 90.31%。在存在生理伪影干扰的情感识别任务方面，FDC-Net 在 DEAP 上实现情感识别准确率为 82.3+7.1%，在 DREAMER 上实现情感识别准确率为 88.1+0.8%。
关键词
引用
@article{arxiv.2508.05231,
title = {FDC-Net: Rethinking the association between EEG artifact removal and multi-dimensional affective computing},
author = {Wenjia Dong and Xueyuan Xu and Tianze Yu and Junming Zhang and Li Zhuo},
journal= {arXiv preprint arXiv:2508.05231},
year = {2025}
}