《电子技术应用》
您所在的位置:首页 > 通信与网络 > 设计应用 > 脑电情绪识别的层次双向时序网络与通道优选
脑电情绪识别的层次双向时序网络与通道优选
电子技术应用
朱浩然,宋轩宇,田志远,邱鸿涛,李康
浙江农林大学 光机电工程学院
摘要: 面向可穿戴多通道脑电(EEG)情绪识别与边缘端实时推理,提出层次化双向深度时序网络(Hierarchical Bidirectional Deep Temporal Network,HBDTN),并引入灰狼优化实现通道优选以降低传感器与算力开销。首先采用短时傅里叶变换提取多频段能量特征;随后利用BiLSTM建模全局时序依赖,在中间层通过堆叠LSTM并结合升维/降维的信息瓶颈策略提炼关键判别模式,在抑制冗余的同时增强跨被试泛化能力。基于DEAP数据集实验,HBDTN在22通道配置下唤醒度与效价分类准确率分别达到92.5%和92.4%。结构消融结果表明,相比减层、卷积前端与注意力变体,HBDTN在准确率与复杂度之间更为均衡。与同类技术相比,GWO 在通道优选中表现出更优的收敛速度和最终适应度。多次独立运行中,灰狼优化筛选通道的重叠率超过 85%,且与全通道性能差异不显著(q>0.05),验证了所提方案的稳定性与可部署性。
中图分类号:TP183 文献标志码:A DOI: 10.16157/j.issn.0258-7998.267971
中文引用格式: 朱浩然,宋轩宇,田志远,等. 脑电情绪识别的层次双向时序网络与通道优选[J]. 电子技术应用,2026,52(11):100-106.
英文引用格式: Zhu Haoran,Song Xuanyu,Tian Zhiyuan,et al. EEG emotion recognition and channel selection using a hierarchical bidirectional deep temporal network[J]. Application of Electronic Technique,2026,52(11):100-106.
EEG emotion recognition and channel selection using a hierarchical bidirectional deep temporal network
Zhu Haoran,Song Xuanyu,Tian Zhiyuan,Qiu Hongtao,Li Kang
College of Optical, Mechanical and Electrical Engineering, Zhejiang A&F University
Abstract: To support wearable multi-channel electroencephalography (EEG) emotion recognition with real-time inference on edge devices, this paper proposes a Hierarchical Bidirectional Deep Temporal Network (HBDTN) and incorporates Grey Wolf Optimization (GWO) for channel selection to reduce sensing and computational overhead. First, a short-time Fourier transform (STFT) is applied to extract multi-band energy features. A BiLSTM is then used to capture global temporal dependencies. In the intermediate layers, stacked LSTMs combined with an information-bottleneck strategy based on dimensionality expansion and compression are employed to distill key discriminative patterns, suppress redundancy, and improve cross-subject generalization. Experiments on the DEAP dataset show that, with 22 channels, HBDTN achieves classification accuracies of 92.5% for arousal and 92.4% for valence. Structural ablation results indicate that, compared with reduced-depth variants, convolutional front-end designs, and attention-based alternatives, HBDTN provides a more favorable balance between accuracy and model complexity. Compared with related techniques, GWO exhibits faster convergence and achieves a better final fitness value in channel selection. Across multiple independent runs, the channels selected by GWO show an overlap rate exceeding 85%, and the performance difference relative to using all channels is not statistically significant (q>0.05), demonstrating the stability and deployability of the proposed approach.
Key words : channel selection;deep learning;emotion recognition;electroencephalogram signals;feature extraction

引言

情绪是人类对外部环境或人际互动产生的情感反应,情绪对个人的社会行为起着至关重要的作用。准确识别情绪对于社会的稳定与发展具有重要意义,特别是在与人机交互、情感智能、心理学和医疗等领域的应用中。当情绪状态被识别时,语言和动作等非生理信号可能被刻意伪装,而脑电图(EEG)信号则能够真实地反映情绪的动态变化[1],并记录大脑活动与情绪状态之间的关系。情绪对个体的情感状态和行为表现具有重要影响,在心理健康研究中,情绪识别技术为抑郁症、焦虑症等的治疗提供了重要的科学依据[2]。特别是在青年群体中,情绪问题与如犯罪、轻生等社会问题紧密相连[3]。因此,深入探讨其情绪状态对于社会稳定与发展的重要性不言而喻。基于脑电图的情绪识别技术在医疗、心理学等领域展现了广阔的应用前景和价值。

近年来,许多研究结合机器学习和深度学习方法,取得了较为优秀的成果。与传统机器学习方法相比,深度学习在特征提取上具有明显优势,可以从原始EEG信号中自动提取更加复杂和抽象的特征。目前的研究主要从两方面探讨,一方面,致力于寻找能够更好对于脑电信号进行特征提取的新方法,以挖掘更有效的脑电信息;另一方面,着力于构建更适合脑电情绪识别的深度学习模型。李锦瑶等[4]系统综述了深度学习在脑电情绪识别中的研究进展,指出跨被试泛化、特征冗余抑制与轻量化部署仍是当前的重要问题。LeCun等人[5]提出的卷积神经网络是首个真正的多层结构学习算法,通过利用空间相对关系来减少参数数量,从而提升训练性能。由于深度学习能够深入挖掘数据的本质特征,许多研究者已将其应用于脑电情绪分类。Li等人[6]提出自组织图神经网络,通过为每个样本动态构建图结构来增强跨被试情绪表征能力,在LOSO设置下于SEED和SEED-IV数据集上分别取得了86.81%和75.27%的准确率。为了克服传统机器学习方法中需要手工构建特征且特征质量较低的问题,田莉莉等人[7]提出了一种基于一维卷积神经网络的特征提取方法。该方法通过卷积层和下采样层组成编码器网络,以提取脑电信号中的情感特征,并使用随机森林分类器进行情绪三分类实验。在公开数据集SEED上进行测试,最终取得了94.7%的情感分类准确率。Wei等[8]人提出Transformer Capsule Network(TC-Net),将Transformer与胶囊网络结合,在DEAP和DREAMER数据集上较基线Transformer平均准确率分别提升0.47%和0.41%。Song等人[9]基于图卷积神经网络提出了动态图卷积神经网络(Dynamic Graph Convolutional Neural Network, DGCNN),该方法通过动态学习不同通道之间的关系,从而提取更具辨别力的特征,并在多个数据集上取得了优异的表现。传统的特征提取方法如经验模态分解和微分熵等已被广泛应用于EEG情绪识别中。Chen等人[10]通过模式分解提取平均近似熵特征,并使用LIBSVM分类器进行分类,最终在唤醒度和效价上的分类准确率分别为74.88%和82.63%。Zhang等人[11]提出动态通道选择方法,在SEED三分类任务上平均准确率达到96.59%,同时计算效率提升了15.85%,表明通道优选对于轻量化EEG情绪识别具有重要意义。Zhang等人[12]提出基于多尺度卷积和特征融合的情绪识别方法,在DEAP数据集上的效价和唤醒度准确率分别达到97.48%和97.75%,在SEED数据集上达到96.98%,说明多尺度特征提取与特征融合有助于进一步提升模型性能。Liu等人[13]采用残差网络(Residual Network, ResNet)框架进行情绪识别,并结合预训练的ResNet模型与原始EEG信号,进一步提取深层空间特征。Yin等人[14]在将微分熵特征与图卷积神经网络和LSTM模型融合后,在DEAP数据集上取得了唤醒度和效价的平均分类准确率分别为90.45%和90.60%。

随着深度学习的不断发展,脑电信号的情绪识别方法得到了显著提升。为解决不同被试之间的差异性和EEG信号的非平稳性,许多研究者采用了领域适配[15-16]和对比学习[17]等方法。这些方法在一定程度上提高了模型的跨被试泛化能力,并在情绪识别任务中取得了更好的效果。本文提出的层次化双向深度时序网络HBDTN通过多层LSTM结构高效解析脑电情绪信号,进一步提升了情绪分类的准确性。在实验中,本文基于预处理后的DEAP数据,采用灰狼优化算法进行通道优选,并结合短时傅里叶变换提取时频特征,以提升输入表征质量并降低冗余。随后,通过双向LSTM捕捉EEG信号中的全局时序依赖,并级联4层LSTM对时序数据进行深层次建模,逐步提取情绪状态的动态特性。该方法能够同时保留EEG信号的空间和时间信息,并有效减少冗余特征,提高分类准确率。实验结果表明,所提出的HBDTN方法在DEAP数据集上的情绪分类准确度有显著提升,验证了其在跨被试情绪识别中的有效性。


本文详细内容请下载:

https://www.chinaaet.com/resource/share/2000007353


作者信息:

朱浩然,宋轩宇,田志远,邱鸿涛,李康

(浙江农林大学 光机电工程学院,浙江 杭州 311300)

2.jpg

此内容为AET网站原创,未经授权禁止转载。