跨被试情绪识别模型

跨被试个体差异小

该模型通过孪生共享卷积结构、双头自注意力与可学习软分配聚类，实现跨被试情绪脑电特征的有效提取与自适应压缩。

Li, Jingjing · Lee, Chinghung · Duan, Dingna · Zhou, Yanhong · Xie, Xueguang · Wan, Xianglong · 刘天歌 · Danyang, Li · Hao, Yu · Wan Hasan, Wan Zuha · 宋海庆 · 文东

Advanced Engineering Informatics 2025

技术优势

能跨被试

通过孪生共享卷积结构提取不同被试EEG信号的相似特征，降低个体差异的影响，使模型在跨被试场景下依然有效。

聚类不僵硬

引入可学习软分配机制和动态质心更新，实现了特征空间的自适应低维压缩，比传统硬分配 k-means 更灵活。

知道该看哪

模型解释性分析表明 Gamma 和 Beta 频段与情绪识别最相关，为跨被试情绪脑活动表征提供了明确方向。

应用场景

• 情绪脑机接口：跨被试情绪识别模型可直接嵌入脑机接口，减少个体差异对情绪解码的干扰。
• 情感健康监测：通过脑电特征相似性捕捉情绪状态，可用于长期情感健康评估与监测。
• 神经信号处理：提供结合孪生网络与软分配聚类的EEG特征提取与压缩方法，提升神经信号处理效率。
• 情感计算：利用Gamma和Beta频段信息提高情绪分类性能，推动情感计算模型泛化。