官网：https://bcmi.sjtu.edu.cn/~seed/seed-iv.html

论文：https://ieeexplore.ieee.org/abstract/document/8283814

代码数据下载：https://gitee.com/CodeStoreHub/Emotion-Recognition-Dataset

数据集介绍

项目	内容
任务	多类别情绪识别（4 类）
情绪类别	喜悦（Happy）、愤怒（Angry）、恐惧（Fear）、悲伤（Sad）
被试人数	15 名受试者
采集设备	EEG：62 通道（由 ESI NeuroScan System 采集）Eye-tracking：Tobii X120
采样率	EEG：1000Hz
时长	每个被试观看 72 个情绪诱导视频，每个视频约 1 分钟
实验次数	每位受试者重复实验 3 次（跨天）
标签来源	视频情绪标签、主观评价

代码介绍

🎯 研究目标概述

该方法旨在通过构建动态脑区连接图，利用图神经网络提取脑电图（EEG）中的空间和时间特征，实现多类别情绪分类。DGCNN 能有效建模大脑皮层之间的非欧几里得连接关系，提升识别准确性。

---

🧠 背景知识

EEG 情绪识别挑战：

• EEG 数据高噪声、时变性强；

• 脑电通道与脑区之间的连接具有图结构特征；

• 传统 CNN 或 RNN 难以捕捉非结构化信号之间的跨通道依赖关系。

---

🔧 方法框架概览（DGCNN for EEG）

1. 原始输入

• 输入为多通道 EEG 信号，通常形状为：
  EEG shape: (channels, time steps)
  例如：(62, 128) 表示 62 个通道，128 个时间点。

---

2. 动态图构建（每层）

• 每层根据当前特征计算通道之间的欧氏/相关性距离，构建 k-NN 图：

  Grapht=knn(xi,xj),i,j∈channels\text{Graph}_t = \text{knn}(x_i, x_j), \quad i,j \in \text{channels}Grapht​=knn(xi​,xj​),i,j∈channels

• 图的邻接矩阵随着每层特征演化而变化，体现神经动态关系重构。

---

3. EdgeConv 模块（图卷积）

EdgeConv 特征提取方式如下：

h(xi,xj)=MLP(xi,xj−xi)h(x_i, x_j) = \text{MLP}(x_i, x_j - x_i)h(xi​,xj​)=MLP(xi​,xj​−xi​)

通过聚合邻居节点的差值特征，再经 MLP 提取局部脑区动态连接特征。

---

4. 全局聚合与分类

经过多层 EdgeConv 后，通过最大池化或注意力汇聚全局特征，再通过全连接层进行情绪分类（如：4类 SEED-IV）。

---

📈 实验效果

在SEED-IV数据集上，DGCNN 架构通常能在以下方面 outperform baseline：

• 情绪分类准确率提高 3%–10%；

• 更强的跨被试泛化能力；

• 脑区连接解释性更强。

代码预览

数据预览