基于优化节点级胶囊图神经网络（NCGNN）与PFOA算法的跨被试脑电情绪识别研究

　　来自研究人员团队提出利用节点级胶囊图神经网络（NCGNN）结合食人鱼觅食优化算法（PFOA），构建NLCGNN-SIER-EEG模型，显著提升跨被试脑电情绪识别的准确率、精确度和召回率，有效解决小样本数据下模型泛化能力不足的问题，为脑机接口与情感计算提供新方案。

　　

针对标记脑电（Electroencephalography, EEG）数据稀缺导致跨被试（Subject-independent）情绪识别泛化能力差的问题，研究团队提出采用振动模式分解（Vibrational Mode Decomposition）与深度学习技术相结合的方法。为提升识别精度，进一步引入节点级胶囊图神经网络（Node-Level Capsule Graph Neural Network, NCGNN），并创新性地采用食人鱼觅食优化算法（Piranha Foraging Optimization Algorithm, PFOA）对NCGNN参数进行优化，构建出NLCGNN-SIER-EEG模型，实现对平静（calm）、快乐（happy）、悲伤（sad）和愤怒（furious）等情绪的精准分类。该模型在Python平台实现，评估指标包括召回率（Recall）、准确率（Accuracy）、精确度（Precision）、特异性（Specificity）、F1分数（F1 score）和受试者工作特征曲线（RoC）。最终性能显示：相较于现有主流模型SIER-EEG-VMD-DL、ERS-TLE-DCNN和EEH-HER-ANN，所提方案在准确率上分别提升19.57%、24.37%和34.15%，精确度提升22.12%、26.82%和28.52%，召回率提升23.26%、28.17%和29.43%，展现出卓越的跨被试泛化能力和现实应用潜力。