基于多尺度因果图卷积和Kolmogorov-Arnold特征映射的MSCGC-KAN：用于EEG情感识别
计算机视觉与模式识别
2026-05-28 v2
摘要
基于脑电图（EEG）的情感识别是情感计算中的重要任务，最近的 EEG 基础模型为下游适应提供了有用的通用表示。然而，在微调setting下仍存在三个突出限制： insufficiently 模型化多尺度情感动力学、对间通道功能连接的充分利用不足、以及简单线性分类头的表达能力有限。为此，本文提出一种新的 EEG 情感识别方法，称为 MSCGC-KAN，它引入由多尺度因果图卷积和Kolmogorov-Arnold特征映射组成的结构化任务头。基于预训练的 CBraMod backbone，MSCGC-KAN 通过在紧凑的任务特定头中共同强化多尺度时序建模、可学习的间通道连接建模和非线性判别映射，增强了下游适应。该设计保留了基础模型的表示优势，同时使分类器对情感相关时空模式更加敏感。在公开的 FACED 和 SEED-VII 数据集上进行了广泛实验。所提出的方法在 FACED 上获得了60.66%的平衡准确率、0.5525 的 Cohen's Kappa 和60.40% 的加权 F1 分数，在 SEED-VII 上分别获得了33.27%、0.2223 和33.64%。与 CBraMod+Linear 基线相比，两个数据集上的平衡准确率分别提高了5.91和2.03个百分点。这些结果表明，结构化任务头设计是提高微调预训练 EEG 模型进行 EEG 情感识别有效方法。
引用
@article{arxiv.2605.26624,
title = {MSCGC-KAN: Multi-scale Causal Graph Convolution and Kolmogorov-Arnold Feature Mapping for EEG Emotion Recognition},
author = {Haoliang Gong and Qingshan She and Jiale Xu and Yunyan Gao and Xugang Xi},
journal= {arXiv preprint arXiv:2605.26624},
year = {2026}
}