摘要
我们介绍了MEEG数据集，这是一个多模态的音乐诱发脑电图（EEG）记录集合，旨在捕捉不同情感效价和唤醒度水平下对各种音乐刺激的情感反应。该公开数据集有助于深入研究音乐背景下的脑电波模式，为研究情感处理过程中大脑网络拓扑结构提供了坚实的基础。利用MEEG数据集，我们提出了一种基于注意力机制的动态图神经网络时间学习器（AT-DGNN），这是一种新颖的基于EEG的情感识别框架。该模型结合了注意力机制和动态图神经网络（DGNN），以捕捉复杂的EEG动力学特征。AT-DGNN在唤醒度识别方面达到了83.74%的准确率，在效价识别方面达到了86.01%的准确率，超越了现有的最先进（SOTA）方法。与传统数据集如DEAP进行比较分析进一步验证了该模型的有效性，并突显了音乐作为情感刺激的强大作用。本研究推进了脑-机接口（BCI）中的图基学习方法，显著提高了基于EEG的情感识别准确性。MEEG数据集和源代码已公开发布于https://github.com/xmh1011/AT-DGNN。