Microstate-Guided Dynamic Graph Neural Network with Prototypical Contrastive Learning for EEG Emotion Recognition
本文提出了一种由微状态引导的动态图神经网络，并结合原型对比学习来增强对演化脑连接的建模，从而实现用于 EEG 情绪识别的性能提升，并在 SEED 基准测试上达到了 89.64% 的最先进受试者无关准确率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
人类大脑是一个由电活动构成的广阔且不断变化的景观。当我们感受到突如其来的喜悦、一阵悲伤或片刻的平静时，这些活动并不会静止不动，而是在毫秒间重新组织自身。科学家们长期以来一直试图通过解读被称为脑电图（EEG）的电信号来理解一个人的感受。然而，大脑并不是一台静态的机器。随着情绪的展开，其连接关系会迅速变化，而且每个人的大脑结构也略有不同。这使得构建一个能够跨个体准确识别情绪的计算机程序变得异常困难。传统方法通常依赖于将大脑活动视为一张固定的地图或一个简单的快照，从而忽略了大脑实际运作时那种快速、流动的本质。
昆明理工大学的研究团队提出了一种解决这一问题的新方法。他们没有将大脑的电信号视为一张静态图片，而是设计了一个能够实时追踪大脑自然快速变化的系统。他们将注意力集中在一种被称为“微态”（microstates）的特定现象上。想象一下，大脑的电场就像地图上的天气模式；在极短的一瞬间，模式会保持特定的形状，然后突然跳跃到另一种形状。这些仅持续极短时间的快照就是微态。研究人员发现，这些转瞬即逝的模式并非随机的噪声，而是大脑处理情绪的基石。通过教导他们的计算机模型去关注这些快速的变化，他们创造出了一个比以往方法更能理解大脑“情绪语言”的系统。
他们新方法的内核是一个被称为 MG-PCL 的框架。要理解它的工作原理，可以想象你在试图理解两个说不同方言的人之间的对话。标准的计算机可能会尝试字面地翻译每一个词，但会错过语气和语境。研究人员的系统则更加聪明。它首先将大脑信号分解为两种类型的信息：一类捕捉电波的即时频率，这就像是在倾听声音的音量和音调；另一类捕捉微态模式，这就像是在理解对话中的节奏和停顿。随后，系统将这两股信息流结合起来，利用微态的节奏来引导它如何解读声音。这使得模型能够看到大脑组织自身的宏观全貌，而不是迷失在电信号的细节噪声中。
一旦系统结合了这些信号，它就会构建出一张动态的大脑连接图。在旧的方法中，这张图通常是一个固定的模板，就像一张永不改变的静态公路地图。但大脑的连接是流动的，随着情绪的变化而开启或关闭。新系统创建了一张随时间演进的地图。它利用微态模式作为指南，来决定在每一秒钟内大脑的哪些部分正在进行通信。这意味着模型不仅能观察哪些部分处于活跃状态，还能追踪整个网络是如何改变其结构以支持特定感受的。
为了让这一系统在不同的人群中通用，研究人员必须解决一个重大障碍：即没有任何两个大脑是完全相同的。针对一个人训练的模型在测试另一个人时往往会失效。为了解决这个问题，他们引入了一种方法，在不强求大脑看起来完全一致的前提下，对不同人群的情绪模式进行对齐。他们使用了一种技术，将相似的情绪体验归为一类，从而为每种感觉创建一个共享的“原型”。这可以理解为寻找不同人对“幸福感”体验之间的共同点，而不是试图让他们的脑电信号变得一模一样。通过对齐这些共享的原型，系统学会了识别情绪的本质，无论这种情绪是由谁的大脑产生的。这使得模型具有良好的泛化能力，即它可以准确预测从未见过的人的情绪。
研究人员使用了一个名为 SEED 的知名脑电数据集对系统进行了测试，该数据集包含了许多人在观看情感视频时的脑电记录。他们要求系统在未针对测试对象进行专门训练的情况下识别情绪。结果令人瞩目。新系统的平均准确率达到了 89.64%，高于以往在该数据集上测试过的任何其他方法。更重要的是，它的表现更加稳定，在不同个体之间的性能差异较小。当研究人员从系统中移除微态引导时，准确率显著下降，这证明了这些快速的大脑模式对于模型的成功至关重要。此外，该系统还显示出它正关注着大脑中正确的区域，特别是与情绪处理相关的额叶和颞叶区域。
这项研究表明，理解大脑信号的关键在于尊重其动态特性。通过将大脑视为一个不断进行快速、节奏性爆发式重组的系统，研究人员得以构建出一个能更清晰洞察大脑的模型。他们不仅找到了一种更好的分类情绪的方法，更找到了一种聆听大脑自身“变化语言”的方式。虽然该系统尚未完美，在区分“中性”与“负面”情绪方面仍存在轻微困难，但结果指向了一个充满希望的未来。研究人员计划在更大规模、更多样化的数据集上测试该方法，以观察其在现实场景中的表现。目前，这项工作证明了，当我们不再试图冻结大脑的时间，而是开始追随其自然的流动时，我们就能解锁对人类情感更深层的理解。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。