面向主体无关 EEG 情绪识别的局部-全局特征融合
机器学习
2026-01-14 v1 人工智能
摘要
主体无关 EEG 情绪识别面临显著的主体间变异以及从短暂、嘈杂记录中学习鲁棒表征的困难。为此，我们提出一种融合框架，将（i）信道级的局部描述子与（ii）试验级的全局描述子相结合，以提升在 SEED-VII 数据集上的跨主体泛化性能。局部表征通过拼接微分熵与图论特征在每个信道上形成，而全局表征则在试验层面总结时域、频谱和复杂度特征。这些表征在具有注意力机制融合和域对抗正则化的双支架变换器中进行融合，并通过强度阈值过滤样本。基于留一主体留法的实验表明，所提方法在 7 类主体无关情绪识别中持续优于单视图和经典基线，平均准确率约为 40%。代码已发布于 https://github.com/Danielz-z/LGF-EEG-Emotion。
引用
@article{arxiv.2601.08094,
title = {Local-Global Feature Fusion for Subject-Independent EEG Emotion Recognition},
author = {Zheng Zhou and Isabella McEvoy and Camilo E. Valderrama},
journal= {arXiv preprint arXiv:2601.08094},
year = {2026}
}
备注
7 pages, 5 figures, EMBC 2026