GL-LFGNN：基于梁-克莱曼信息流的全局-局部双分支因果图神经网络用于EEG情感识别
机器学习
2026-05-26 v1 人工智能
摘要
基于EEG的情感识别具有重要的客观诊断情绪障碍的前景。图神经网络（GNN）已成为建模EEG中通道依赖性的主导范式，但现有方法依赖于源自空间接近性或功能相关性的对称邻接矩阵，这些方法本质上只捕获统计关联，而非有向的因果影响，与神经信息流的本质非对称、因果驱动性相冲突。为弥合这一差距，我们提出GL-LFGNN，这是一种基于梁-克莱曼信息流理论的全局-局部双分支因果图神经网络。与Granger因果性仅评估时间优先次序不同，我们的方法从动力学系统视角严格量化因果强度，生成具有神经生理学可解释性的有向图。双分支架构进一步整合了全脑连接性与区域特异性处理，符合 established 的功能神经解剖学。实验在MEEG数据集上实现86.17%（Arousal）和86.71%（Valence）的准确率，仅需37K参数——约为当前最先进技术的10%，表明原则性的因果建模能够同时提升可解释性、泛化性和计算效率。代码将公开释放。
引用
@article{arxiv.2605.25061,
title = {GL-LFGNN:A Global-Local Dual-branch Causal Graph Neural Network Based on Liang-Kleeman Information Flow for EEG Emotion Recognition},
author = {Ziyi Wang and Dongyang Kuang},
journal= {arXiv preprint arXiv:2605.25061},
year = {2026}
}
备注
10 pages, 3 figures