面向跨主体EEG情感识别的频率自适应动态图网络变换
计算机视觉与模式识别
2025-08-20 v3
摘要
脑电图（EEG）作为情感识别中可靠且客观的信号，在情感脑机接口领域具有独特优势，能够通过高时间分辨率捕捉无法由意识控制的真实情感状态。然而，由于个体差异、认知特征和情感反应，跨主体泛化仍是根本性挑战。我们提出 FreqDGT（Frequency-Adaptive Dynamic Graph Transformer），一种频率自适应动态图变换方法，通过集成框架系统性地解决上述局限性。FreqDGT 引入频率自适应处理（FAP）以基于神经科学证据动态加权情感相关频段，采用自适应动态图学习（ADGL）学习输入特定的脑连接模式，实施多尺度时序解缔网络（MTDN），该网络将层次时序变换与对抗特征解缔结合，以捕捉时序动态并确保跨主体鲁棒性。综合实验表明，FreqDGT 在跨主体情感识别准确率方面显著提升，确认了在确保对个体差异鲁棒性的前提下，集成频率自适应、空间动态和时序层次建模的有效性。代码已提供，链接为 https://github.com/NZWANG/FreqDGT。
引用
@article{arxiv.2506.22807,
title = {FreqDGT: Frequency-Adaptive Dynamic Graph Networks with Transformer for Cross-subject EEG Emotion Recognition},
author = {Yueyang Li and Shengyu Gong and Weiming Zeng and Nizhuan Wang and Wai Ting Siok},
journal= {arXiv preprint arXiv:2506.22807},
year = {2025}
}