摘要

本文介绍了一种基于空间关系的多视角图变换器（MVGT），用于脑电图（EEG）情绪识别。EEG作为一种捕捉大脑头皮电活动的医学成像技术，在情感计算中应用广泛。然而，现有研究很少同时从几何和解剖结构的多角度分析EEG信号。MVGT模型整合了时间、频率和空间域的信息，包括几何和解剖结构，以全面增强模型的表达能力。实验结果表明，该模型在公开数据集上的表现优于近年来的先进方法，能够有效提取多域信息并捕捉EEG情绪识别任务中的通道间关系。

原理

MVGT模型的核心在于其能够从多个视角（时间、频率和空间域）整合EEG信号的信息，并通过图变换器结构进行处理。模型通过引入空间结构编码，包括几何结构和脑区信息，增强了模型对EEG通道空间结构的感知能力。图变换器结构通过全局感受野和多头注意力机制，有效缓解了传统图神经网络（GNN）中的过平滑、欠覆盖和过压缩等潜在风险，从而提升了情绪识别任务中的模型表达能力。

流程

MVGT模型的工作流程包括以下几个关键步骤：

1. 数据预处理：EEG信号被转换为二维矩阵，表示通道和时间的关系。
2. 空间编码：通过脑区编码和几何结构编码，将空间信息融入模型。
3. 时间嵌入：使用滑动窗口分割EEG信号，并将这些片段作为输入到注意力模块。
4. 图变换器处理：通过多头注意力机制和前馈神经网络（FFN）处理输入数据，提取全局语义相关性。
5. 输出分类：通过读出操作获取整个图的表示，并输入分类器进行情绪分类。

应用

MVGT模型在EEG情绪识别领域具有广泛的应用前景。由于其能够有效整合多域信息并捕捉通道间关系，该模型可用于开发更精确的情绪识别系统，应用于人机交互、心理健康监测和情感辅助治疗等多个领域。随着模型的进一步优化和实际应用的验证，预计将在情感计算领域发挥重要作用。