科研学术

　　近日，电子科技大学生命科学与技术学院脑器交互研究团队在人工智能领域国际顶级期刊《IEEE Transactions on Neural Networks and Learning Systems》（IEEE TNNLS）发表题为《Effective Emotion Recognition by Learning Discriminative Graph Topologies in EEG Brain Networks》的长文(Regular Paper)。博士生李存波为第一作者，徐鹏教授、尧德中教授、陈华富教授为共同通讯作者。该研究受到科技创新2030-“脑科学与类脑研究”重大项目、国家自然科学基金委重点等项目的资助。

　　情绪识别（Emotion Recognition）作为情感计算（Affective Computing）领域的研究分支，是使计算机具备感知、理解人类情感能力的重要基础。然而作为人脑的高级认知功能之一，情绪的加工是一个涉及多脑区信息动态交互与协同处理的复杂过程。因此，如何通过挖掘大脑不同情绪状态下脑网络的差异模式、实现对个体情绪脑电信号的有效表征，对于情绪脑电识别研究具有重要意义。为捕获不同情绪状态下大脑网络固有的空间拓扑模式差异、提升情绪脑电识别性能，本文提出了一种通过学习脑电网络判别图拓扑模式实现个体情绪状态解码的多层次情绪识别模型(MESNP)，如图1。

图1. 多层次情感识别模型总体结构

　　基于国际公开数据集MAHNOB-HCI和DEAP的离线实验结果（表1）表明：与已有特征提取算法（如PSD/DE/网络属性等）相比，本文所提的MESNP模型能自适应的捕获大脑网络具有差异性的模块脑区，从而有效提升情绪脑电的识别性能，取得更加稳定、可靠的情绪识别效果。

表1. 基于公开数据集的离线对比试验结果

　　为进一步验证所提MESNP模型在在线实时情绪解码任务中的可行性和稳定性，作者基于MESNP模型构建了一套在线情绪识别与监测系统，并开展了在线情绪实时解码实验（图2）。

图2. 在线情绪解码与监测实验流程

　　在线实验公开招募了14名受试者参与，所提模型在线情绪解码准确率为84.56%（表2）。在线情绪解码与监测系统的设计与实现进一步证明模型在在线解码任务中的稳健性，这为情感脑接口的设计与实现提供了一种潜在解决方案。

表2. 在线情绪解码与监测实验结果

 　　本质上来说，本文所提MESNP模型是一种具有认知启发的图特征提取算法，考虑到阵列信号在模式识别中的广泛应用，所提MESNP模型具有挖掘阵列信号判别图特征的潜力，这为阵列信号的模式识别问题提供了一种有价值的替代策略。

　　《IEEE Transactions on Neural Networks and Learning Systems》是美国电气和电子工程师协会（IEEE）于1990年创办在机器学习、神经网络以及人工智能领域的学术性期刊，旨在出版神经网络和学习系统方面的理论、设计和应用的技术性文章，是人工智能、机器学习、模式识别、机器视觉等多个研究领域的国际顶级期刊，也是中科院一区Top期刊，目前该期刊影响因子为14.255。

　　团队介绍：

　　脑器交互（Brain-Apparatus Communications）团队是神经信息教育部重点实验室最主要的科研团队之一），带头人为尧德中教授（美国医学生物工程院 Fellow，重点实验室主任），团队围绕脑器交互问题（脑机接口*心身医学），着力神经信息检测、分析技术的创新发展，以及新技术在脑功能、脑疾病研究中的探索应用。近年来，该团队先后承担了包括科技 2030 “脑科学与类脑智能”重大项目、国家自然科学基金重点项目、863项目、973课题、重大仪器专项课题在内的重大、重点项目20多项。在国际重要学术刊物发表SCI收录论文300余篇，申请国家专利20余项，获得教育部自然科学一等奖、国际脑电图与临床神经科学学会Roy John Award等多种奖项。在十四五期间，团队将继续以国家需求为指引，在科学研究、人才培养、国际合作和成果转化等方面做出应有的贡献。

　　论文链接：

　　https://ieeexplore.ieee.org/document/10035420/