摘要
在神经科学领域，脑电图(EEG)是情绪检测的重要指标。由于脑电特征的不稳定性，导致普通模型很难预测多个受试者的情感状态。基于跨受试者的情绪识别是解决上述问题的有效方法，它实现了不同受试者之间的知识迁移，减少了受试者之间的数据分布差异。然而，大多数情绪识别方法仅将来自多个受试者的所有脑电数据作为一个集合。当面临多个受试者的问题时，很难通过单一的数据分布来分析不同受试者的情绪状态。基于跨受试者的脑电情感识别方法具有客观性好、时间分辨率高的特点，是研究大脑对情感刺激反应的首选方法。 综上所述，本文针对多受试者的情感分析问题进行主要探究，并设计了相应的模型提高多受试者的情绪分析能力，具体研究工作如下： (1)针对多受试者情绪分析问题，提出了一种基于跨受试者的脑电情感识别网络(MASTF-net)。首先，从频率信息和时空图像两个维度提取脑电信号的特征，结合脑局部区域序列化的脑电频率特征，针对不同区域建立独立的分类模块，识别不同受试者的情绪特征分布。然后，提出了一种基于频带划分的脑电微分熵特征提取方法，为网络结构提供了稳定的特征输入。最后，在SEED、SEED-Ⅳ和自采数据集上进行实验。实验结果表明，该方法在多受试者情绪识别问题上具有较好的分类精度。在跨受试者情绪识别问题上，该方法在公开数据集中最高准确率分别可达88.19%和73.51%。 (2)在上一步的研究中，MASTF-net 在情绪识别中取得了良好的性能，然而，第一阶段的研究中只关注了每个受试者情绪变化时某部分关键区域的作用，忽视了大脑是一个复杂的结构，而不是每个区域独立工作。针对上述问题，提出基于图卷积多目标矩阵优化的联合一二阶池化特征情绪分析网络(FSP-GCN)用于多受试者 EEG 信号的情绪识别。针对不同情绪下脑电信号的不平稳性问题，引入二阶池化提取更多的判别特征。然后，引入多目标优化，压缩冗余特征，提高模型的泛化能力。最后，通过基于时序特征的图卷积模块(L-GCN)获得全局脑电通道之间关联特征提高判别模型能力并在 SEED、SEED-Ⅳ 和自采数据集中进行试验。在基于跨受试者情绪识别问题上，FSP-GCN 在公开数据集中最高准确率分别可达88.76%、74.12%，体现了FSP-GCN在多受试者情绪分析任务中具有良好的表现。 (3)在MASTF-net和FSP-GCN的算法基础上，设计了脑电信号情绪辅助检测系统。通过识别预处理后的脑电信号特征辅助对情绪类疾病以及心理问题的诊断。
NETL