基于图卷积（GCN）和规则卷积（CNN）的情绪识别

作者丨张玮玮

学校丨东北大学硕士生

研究方向丨情绪识别

引言

论文动机

脑电信号因其易辨伪性、准确性高而被广泛应用于情绪识别。如何描述脑电信号与大脑活动区域之间的关系以及构建脑电情绪识别模型仍然是基于脑电图数据的情绪识别具有挑战性的课题。

基于以往的研究内容可知，CNN 可以利用卷积核提取抽象高层次特征，适用于 1D，2D，3D 规则网格数据。但是脑电通道的分布结构是不规则的，脑电数据并不是规则的欧几里德结构数据。

图卷积对非欧几里德结构数据处理有极大优势，仅需几个层就足以学习图结构的拓扑特征，但是过多的图卷积层可能得不到更多的辨别能力的特征。本文提出了一种兼顾抽象深层特征和拓扑特征的提取方法。

论文工作

本文设计了一个图卷积宽度网络（GCB-Net）来研究脑电图结构数据更深层次的信息。它利用图卷积层来提取图结构输入的特征，并叠加多个规则卷积层来提取相对抽象的特征。最后的连接使用了广义的概念，保留了所有层的输出，允许模型在广阔的空间中搜索特性。为了提高 GCB-Net 的性能，应用了广义宽度系统（BLS）来增强其特性。

GCB-Net知识基础

图卷积神经网络

▲ 图1. 图卷积框架

在图 *G 上，x 和 y 两个信号的卷积表示为：

U 是图的拉普拉斯矩阵 L 的特征矩阵，⊙ 表示 hadamard product，对于两个向量，就是进行内积运算；对于维度相同的两个矩阵，就是对应元素的乘积运算。 

将卷积核的图傅里叶变换以对角矩阵的形式表示，其中是对角矩阵，其对角线元素是拉普拉斯矩阵 L 的特征值。

则信号 x 经过卷积核的卷积输出 y 可表示为。 

让表示要学习的最优邻接矩阵，信号 x 的图卷积输出为