从脑地形图中学习：用于EEG情绪识别的分层局部-全局图Transformer网络
人机交互
2026-01-16 v1
摘要
理解局部神经生理模式如何与全局大脑动态相互作用，对于从EEG信号解码人类情绪至关重要。然而，现有的深度学习方法常常忽略大脑固有的空间组织，未能同时捕捉局部拓扑关系和全局依赖。为应对这些挑战，我们提出了Neuro-HGLN，一种神经信息驱动的分层图Transformer学习网络，它将生物学先验知识与分层表示学习相结合。Neuro-HGLN首先基于物理电极距离构建一个空间欧几里得先验图，作为解剖学基础的归纳偏置。然后引入一个可学习的全局动态图来模拟整个大脑的功能连接。同时，为了捕捉细粒度的区域依赖，Neuro-HGLN使用多头自注意力机制构建区域级局部图。这些图通过局部约束的并行GCN层同步处理，以生成区域特定的表示。随后，一个iTransformer编码器在“维度即令牌”的公式下聚合这些特征，以捕捉跨区域依赖。大量实验表明，Neuro-HGLN在多个基准测试上达到了最先进的性能，并提供了基于神经生理结构的增强可解释性。这些结果凸显了将局部拓扑学习与跨区域依赖建模相结合对于稳健的EEG情绪识别的有效性。
引用
@article{arxiv.2601.10525,
title = {Learning from Brain Topography: A Hierarchical Local-Global Graph-Transformer Network for EEG Emotion Recognition},
author = {Yijin Zhou and Fu Li and Yi Niu and Boxun Fu and Huaning Wang and Lijian Zhang},
journal= {arXiv preprint arXiv:2601.10525},
year = {2026}
}