摘要
脑电图（EEG）通过电极测量大脑不同区域的神经活动。现有的许多基于EEG的情感识别研究未能充分利用EEG通道之间的拓扑结构。本文提出了一种正则化图神经网络（Regularized Graph Neural Network, RGNN）用于基于EEG的情感识别。RGNN 考虑了不同脑区之间的生物学拓扑关系，以捕捉不同EEG通道之间的局部和全局关联。具体而言，我们通过图神经网络中的邻接矩阵建模EEG信号中各通道之间的关系，其中邻接矩阵的连接性和稀疏性受到人类大脑组织理论的启发。此外，我们提出了两种正则化方法，即节点域对抗训练（Node-wise Domain Adversarial Training, NodeDAT）和情感感知分布学习（Emotion-aware Distribution Learning, EmotionDL），分别用于更好地处理跨被试的EEG变化和噪声标签问题。在两个公开数据集SEED和SEED-IV上的大量实验表明，我们的模型在大多数实验设置下优于现有最先进的模型。此外，消融研究表明，所提出的邻接矩阵和两种正则化方法对RGNN模型性能的提升具有持续且显著的效果。最后，对神经活动的研究揭示了对于基于EEG的情感识别至关重要的脑区及其通道间的关系。