这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
EMT：一种面向跨被试EEG情绪识别的创新Transformer模型
一、作者与发表信息
本研究由Yi Ding（IEEE会员）、Chengxuan Tong（IEEE学生会员）、Shuailei Zhang、Muyun Jiang、Yong Li、Kevin Junliang Lim及Cuntai Guan（IEEE会士）合作完成，作者单位包括新加坡南洋理工大学（Nanyang Technological University）、东南大学（Southeast University）及Wilmar International。研究成果发表于IEEE Transactions on Neural Networks and Learning Systems（2025年6月，第36卷第6期），代码开源地址：https://github.com/yi-ding-cs/emt。
二、学术背景
科学领域：本研究属于脑机接口（BCI）与情感计算交叉领域，聚焦于基于脑电图（EEG）的跨被试情绪识别。
研究动机：现有EEG情绪解码方法多关注空间和短时程模式，但忽视了情绪认知过程中关键的长时程上下文信息。此外，传统方法依赖单一邻接矩阵或固定脑区连接，难以捕捉情绪涉及的复杂多脑区协同机制（如注意、记忆等基础认知过程）。
研究目标：提出新型Transformer模型Emotion Transformer（EMT），通过融合神经科学先验知识，实现跨被试情绪分类与回归任务的高性能泛化。
三、研究方法与流程
EMT模型包含四个核心模块，具体流程如下：
时域图构建（Temporal Graph Construction, TGC）
- 输入处理：将EEG信号分割为长时窗（20秒）和短子窗（2-4秒），提取子窗的相对功率谱密度（rPSD）特征，覆盖Delta（1–4 Hz）至Gamma（30–45 Hz）七频段。
- 图结构生成：每个EEG通道作为节点，rPSD特征作为节点属性，构建时序图序列（Temporal Graphs）。
残差多视角金字塔图卷积网络（Residual Multi-view Pyramid GCN, RMPG）
- 动态空间关系建模：
- 使用多组可学习邻接矩阵（learnable adjacency matrices）并行训练不同层数的ChebyNet（一种基于切比雪夫多项式的图卷积网络），以捕捉不同认知过程对应的脑区连接模式。
- 引入残差线性投影分支，与GCN输出形成特征金字塔，通过均值融合生成单一时序令牌（token）。
时域上下文Transformer（Temporal Contextual Transformer, TCT）
- 任务特异性设计：
- 分类任务（TCT-clas）：结合多头自注意力（MSA）与短时聚合层（STA），前者提取全局相关性，后者通过CNN核（如3邻域）平滑短时情绪波动。
- 回归任务（TCT-regr）：以双向GRU替代MSA，适应连续情绪标签的因果性预测需求。
任务特定输出模块（Task-Specific Output, TSO）
- 分类任务对时序令牌均值池化后输出类别；回归任务直接映射各令牌为连续值。
实验设计：
- 数据集：SEED（15被试，3类情绪）、THU-EP（80被试）、FACE（123被试）用于分类；MAHNOB-HCI（24被试）用于回归。
- 基线对比：包括DGCNN、RGN、TSception等9种方法，评估指标涵盖准确率（ACC）、F1分数（分类任务）及RMSE、PCC、CCC（回归任务）。
四、主要结果
分类性能
- SEED数据集：EMT深度变体（EMT-d）取得最高ACC（80.2%）和F1（82.1%），较基线RGN（ACC 79.0%）提升显著。
- THU-EP与FACE：EMT-b在类别不平衡场景下F1领先（THU-EP: 72.4%；FACE: 74.0%），表明其对多被试泛化的优势。
回归性能
- MAHNOB-HCI：EMT-regr（GRU版）的PCC（0.490）和CCC（0.396）最优，RMSE（0.063）低于TCN（0.067），验证了RNN结构对连续情绪建模的有效性。
关键发现
- 脑区连接可视化：RMPG学习到前额叶-顶叶（注意相关）与颞叶-枕叶（情绪-视觉协同）的多模式连接，符合神经科学理论。
- 时域特征分析：TCT-clas通过STA平滑短时噪声，而TCT-regr保留时序动态性，适配任务需求差异。
五、结论与价值
科学价值：
- 首次将Transformer架构应用于跨被试EEG情绪分类与回归联合任务，提出动态多脑区连接建模与时域上下文学习的创新框架。
- 通过神经科学先验（如情绪短时稳定、长时变化）指导模型设计，推动BCI领域可解释性研究。
应用价值：
- 为精神障碍（如抑郁症）的神经反馈治疗提供高精度情绪解码工具，支持个性化干预。
六、研究亮点
方法论创新：
- RMPG模块：通过多视角GCN金字塔融合局部与全局脑区连接，超越传统单一邻接矩阵方法。
- 任务自适应TCT：分类与回归任务分治，MSA与RNN的差异化设计体现认知机理差异。
性能突破：在4个公开数据集上全面超越基线，尤其在不平衡数据（FACE）和连续标签（MAHNOB-HCI）场景表现突出。
开源与可复现性：完整代码开源，参数与训练细节透明，助力后续研究。
七、其他补充
- 局限性：模型计算复杂度较高，未来可优化轻量化设计；时域上下文特征的神经机制需进一步实验验证。
- 未来方向：探索黎曼流形等几何方法建模脑连接，结合多模态数据（如面部表情）提升鲁棒性。
此研究为EEG情感识别提供了新范式，其融合神经科学与深度学习的思路对脑科学AI应用具有广泛启示。