论文解读 | 基于正则化图神经网络的脑电情绪识别

©PaperWeekly 原创 · 作者｜张玮玮

学校｜东北大学硕士生

研究方向｜情绪识别

引言

论文动机 

现有的基于脑电图的情绪识别方法大多不能很好地解决以下三个方面的问题：

1. 脑电图信号的拓扑结构没有被有效地利用来学习更多的有鉴别性的脑电图特征然而，大多数方法需要在头皮上对脑电图通道进行 2D 表示，这可能会在 flatten 过程中造成信息丢失，因为通道实际上是在 3D 空间中排列的；

2. 不同受试者的脑电图信号差异较大，不利于训练分类器的泛化；

3. 参与者在观看引发情绪的刺激时，可能并不总是产生与刺激一致的预期情绪。

目前研究中，在基于脑电图的情绪识别方面，还没有人试图解决噪音标签的问题。作者提出了一个正则化的图神经网络（RGNN）来解决上述三个问题。

论文标题：EEG-Based Emotion Recognition Using Regularized Graph Neural Networks

论文链接：https://arxiv.org/abs/1907.07835

源码链接：https://github.com/zhongpeixiang/RGNN

论文工作 

脑电信号中的每个通道看作是图形中的一个节点。RGNN 模型扩展了简单图卷积网络（SGC），利用了脑电图信号的拓扑结构，即根据脑网络组织的经济性，作者提出了一个符合生物原理的稀疏邻接矩阵来捕捉局部和全局的通道间关系。局部通道间关系连接附近的神经元群，可以显示解剖学上的连通性。整体的通道间关系连接左右脑半球之间的神经元群，可以揭示与情绪相关的功能连接。

此外，作者提出一个节点域对抗训练（NodeDAT）来正则化图模型，以更好地解决跨被试分类场景，并且还提出了一种基于情绪感知的分布学习（EmotionDL）方法来解决数据集中的噪声标签问题。

RGNN知识基础

简单图卷积网络

给定图 ， 表示节点集， 表示边集。 表示特征矩阵， 表示节点的数目，  输入特征的维度。  可以用加权邻接矩阵  表示。

一般情况下，GNNs 对输入  学习一个特征变换函数，生成输出  , 表示输出的维度。特征转换可以写成：  ，这里  ，