SEED: Investigating Critical Frequency Bands and Channels for EEG-Based Emotion Recognition with Deep Neural Networks

官网：SEED Dataset

论文：https://pan.baidu.com/s/1gEvxkJCIT8Qg-WBl1sOBsQ?pwd=24zi 提取码：24zi 
代码数据下载：https://gitee.com/CodeStoreHub/Emotion-Recognition-Dataset

数据集介绍

• 研究目的： 本研究旨在通过构建基于EEG的情绪识别模型，找出与情绪识别相关的关键频率带和通道。模型的情绪分类包括三类情绪：积极、中性和消极。研究使用深度神经网络（DBN）进行训练和分析，以提升情绪识别的准确性。

• 研究方法：

  • 研究数据来自15名被试者，每名被试者分别在间隔几天后进行了两次实验。
  • 研究利用多通道EEG数据提取了微分熵（Differential Entropy, DE）特征，并通过深度信念网络（DBN）对这些特征进行训练。提取的特征来自五个频段：Delta（1-3Hz）、Theta（4-7Hz）、Alpha（8-13Hz）、Beta（14-30Hz）和Gamma（31-50Hz）。
  • DBN模型的训练分为三个步骤：无监督预训练、无监督微调和有监督微调。训练完成后，通过分析DBN的权重分布，确定关键的频率带和EEG通道。

• 主要发现：

  • 关键频率带：研究发现，Beta（14-30Hz）和Gamma（31-50Hz）频段在情绪识别中非常重要。这些频段与不同情绪的神经特征有密切关联。
  • 关键通道：通过分析DBN训练后的权重分布，作者发现侧颞区的电极（如FT7、FT8、T7和T8）在情绪识别中起重要作用。
  • 识别准确率：通过减少EEG通道的数量，模型仍能达到较高的情绪识别准确率（最高可达86.65%），甚至超过了使用全部62个EEG通道的模型。DBN模型的表现优于传统的机器学习模型，如支持向量机（SVM）、逻辑回归和K近邻（kNN）。

• 模型对比： DBN模型的平均准确率为86.08%，高于SVM（83.99%）和逻辑回归（82.70%）。即使在减少EEG通道的情况下，模型的性能也保持稳定，证明了在减少计算成本的同时仍可以实现高效的情绪识别。

• 结论： 论文表明，通过聚焦于特定的频率带和电极，可以在不牺牲识别准确性的情况下降低计算成本。这种方法在实际应用中具有潜力，比如在驾驶疲劳检测或心理状态监测中的应用。此外，DBN在EEG情绪识别领域展现了很好的前景，提供了情绪处理的神经机制的有力证据。

代码介绍

一、主要方法概述

DGCNN（Dynamical Graph Convolutional Neural Network）有两个关键创新：

1. 动态图构建机制（Dynamic Graph Construction）：

   • 传统图卷积神经网络（GCNN）通常在训练前预定义邻接矩阵（adjacency matrix），表示图中节点（即 EEG 通道）之间的关系。

   • 提出 DGCNN 动态学习邻接矩阵，允许模型在训练过程中自适应调整 EEG 通道之间的权重关系，从而捕捉更加本质的功能连接（functional connectivity），而不是仅基于物理空间距离的连接。

2. 基于 Chebyshev 多项式的图卷积实现：

   • 图卷积通过谱域方法实现，利用图拉普拉斯矩阵（Laplacian）的特征分解构建图傅里叶变换。

   • 为了避免高计算成本，采用了 Chebyshev 多项式近似卷积核，极大提高了运算效率并保持了精度。

---

二、DGCNN 网络结构

完整的 DGCNN 框架由以下几部分组成（详见 Fig.2）：

1. 输入层：

   • 输入为多频段提取的 EEG 特征（如 δ, θ, α, β, γ 波段），每个通道是图中的一个节点。

2. 动态图卷积层：

   • 基于动态学习的邻接矩阵构建图卷积核，提取图结构中的空间特征。

3. 1×1 卷积层：

   • 跨通道进行特征融合，进一步挖掘不同频段之间的耦合特征。

4. ReLU 激活层：

   • 非线性变换，增强网络表示能力。

5. 全连接层 + Softmax 分类器：

   • 输出情绪分类结果，如正面/中性/负面，或维度分类（愉悦度valence、唤醒度arousal、主导性dominance）。

---

三、模型训练方法

使用交叉熵损失函数 + 正则化项：

Loss=CrossEntropy(l,lp)+α∥Q∥\text{Loss} = \text{CrossEntropy}(l, l_p) + \alpha \|Q\|Loss=CrossEntropy(l,lp​)+α∥Q∥

其中：

• lll 是真实标签；

• lpl_plp​ 是预测标签；

• QQQ 是模型参数；

• α\alphaα 是正则项权重。

通过反向传播（Backpropagation）计算损失函数对邻接矩阵中各元素的梯度，从而更新图结构参数：

W(new)=(1−r)W+r∂Loss∂WW^{(new)} = (1 - r)W + r \frac{\partial \text{Loss}}{\partial W}W(new)=(1−r)W+r∂W∂Loss​

---

四、实验结果

1. 在 SEED 数据集（62通道EEG，3类情绪）上，DGCNN 在 subject-dependent 实验中达到了：

   • 最优平均准确率：90.4%（使用DE特征，5个频段）

   • 相比传统的 SVM、DBN 和静态 GCNN，均有显著提升。

---

五、创新点总结

• 图结构的动态学习：模型在训练过程中自适应学习EEG通道间的功能关系；

• 结合谱图理论与神经网络的融合建模；

• 泛化能力强：在跨被试（subject-independent）实验中依然保持高精度，优于传统迁移学习方法如 TCA、TPT、T-SVM。

代码预览

数据集预览

根目录

Preprocessed_EEG目录

ExtractedFeatures目录