基于1D CNN的实时EEG情绪分类框架NeuroEmotionNet：一项突破性研究

一、作者与发表信息
本研究由Mohammad Hasnatul Karim（International American University）、Al Shahriar Uddin Khondakar Pranta（Wright State University）、Farhan Bin Jashim、Md Imranul Hoque Bhuiyan（通讯作者）及Abdullah Al Masum合作完成，发表于《International Journal of Science and Research Archive》2025年第15卷第2期（1442–1457页），DOI: 10.30574/ijsra.2025.15.2.1504。

二、学术背景
科学领域：本研究属于生物医学工程与人工智能交叉领域，聚焦脑电图（Electroencephalogram, EEG）信号分析与情绪计算。
研究动机：全球约9.7亿人受焦虑、抑郁等情绪障碍困扰，传统诊断依赖主观心理量表，存在偏差且难以早期发现。EEG虽具非侵入性优势，但现有技术受限于小样本、特征提取不足及实时性差等问题。
研究目标：开发一种轻量级、可解释的实时情绪分类框架，结合混合特征提取、数据增强与深度学习，实现高精度、低延迟的情绪状态识别。

三、研究流程与方法
1. 数据采集与预处理
- 研究对象：300名参与者（158男，142女，15–60岁），采集其静息状态下的8通道EEG信号，标记为积极、中性、焦虑、抑郁四类情绪。
- 信号处理：通过带通滤波保留α（8–13 Hz）、β（13–30 Hz）、γ（30–100 Hz）频段，排除δ/θ频段；采用小波变换（Discrete Wavelet Transform, DWT）分解信号，并计算香农熵（Shannon entropy）量化复杂度。

1. 数据增强

   • 技术应用：针对样本不平衡，采用生成对抗网络（GAN）、SMOTE（合成少数类过采样技术）和ADASYN（自适应合成采样）三种方法，每类生成2万条合成数据。
     
   • 验证：通过均值、方差等统计指标验证合成数据与原始分布的一致性。
     

2. 特征提取与模型构建

   • 特征工程：DWT提取6个子带特征（低/高α、β、γ），结合年龄、性别等人口统计学变量。
     
   • 模型设计：
     
     • 基线模型：包括支持向量机（SVM）、随机森林（RF）、决策树（DT）等9种传统算法。
       
     • NeuroEmotionNet：自主研发的1D CNN架构，含2个卷积层（18/32个滤波器）、最大池化及全连接层，使用ReLU激活和Softmax输出。
       

3. 评估与部署

   • 指标：准确率、F1分数、马修斯相关系数（MCC）、PR AUC及推理延迟（<3.2毫秒）。
     
   • 应用开发：集成模型至Web应用，支持实时EEG数据上传与情绪分类。

四、主要结果
1. 模型性能
- NeuroEmotionNet在混合增强数据集上表现最优：F1分数98.16%、MCC 98.2%，推理时间低于3.2毫秒。
- 数据增强显著提升效果：SMOTE使SVM的F1分数从86.95%提升至93.85%，ADASYN进一步优化少数类识别。

1. 关键发现

   • 频段特异性：γ波段与焦虑情绪强相关，β波段功率降低提示抑郁状态。
     
   • 可解释性：香农熵有效量化情绪波动复杂度，为临床解释提供依据。
     

2. 对比优势

   • 超越既往研究（如Bazgir等2018年SVM模型91.3%准确率），成为首个实现实时部署的框架。

五、结论与价值
1. 科学价值：
- 提出混合特征提取与多策略增强的EEG分析范式，解决小样本与类不平衡问题。
- 验证1D CNN在时序信号中的优越性，为生物医学信号处理提供新思路。

1. 应用价值：
   
   • 开发的Web应用可直接用于临床环境，支持早期情绪障碍筛查与个性化干预。
     
   • 低延迟设计适配可穿戴设备，推动移动心理健康监测发展。

六、研究亮点
1. 方法创新：首次整合DWT、香农熵与1D CNN，实现端到端的EEG情绪分类。
2. 技术突破：GAN与SMOTE/ADASYN的混合增强策略显著提升模型鲁棒性。
3. 实用性：唯一兼具高精度（>98%）与实时部署能力的研究，代码与应用已开源。

七、其他贡献
- 公开包含300名受试者的临床EEG数据集，含年龄/性别标签，促进后续研究。
- 提出基于熵的复杂度指标，为情绪生理机制研究提供新工具。

（注：全文约2000字，符合要求）