基于多视角时-频-空融合网络（MTFSFN）的脑电情绪识别模型研究

　　脑电（EEG）情绪识别面临信号空间离散与非平稳性挑战。研究人员提出多视角时-频-空融合网络（MTFSFN），通过频域注意力机制加权多频段特征，结合二维位置编码的Transformer提取空间信息，并利用LSTM动态融合时-频-空特征。在DEAP、SEED和SEED-IV数据集上采用留一被试交叉验证，取得显著分类准确率（ valence 78.64%，arousal 77.42%，SEED 86.91%），为复杂EEG信号特征提取提供新范式。

　　

近年来，基于脑电图（Electroencephalogram, EEG）的情绪识别已成为重要研究方向。然而，EEG信号具有空间离散和非平稳特性，如何有效表征时空信息并从复杂信号中提取判别性特征仍是挑战。本研究提出一种多视角时-频-空融合网络（Multi-view Time-Frequency-Space Fusion Network, MTFSFN），通过频域注意力机制为不同频段特征分配权重，以充分利用多频段互补信息。设计的多视角Transformer模型融合二维位置嵌入，有效提取离散空间信息。在多视角特征融合后，采用长短期记忆网络（Long Short-Term Memory, LSTM）捕获动态时-频-空关联。最终采用与被试无关的留一被试交叉验证（leave-one-subject-out cross-validation）策略，在三个公开数据集DEAP、SEED和SEED-IV上广泛验证。在DEAP上，效价（valence）和唤醒度（arousal）平均准确率分别为78.64%和77.42%；在SEED上为86.91%；在SEED-IV上为75.51%。实验结果表明，MTFSFN模型具有优异的识别性能。