讲解基于图神经网络的情绪识别深度学习模型DGCNN（附基础原理讲解和代码讲解）

T. Song, W. Zheng, P. Song and Z. Cui, “EEG Emotion Recognition Using Dynamical Graph Convolutional Neural Networks,” in IEEE Transactions on Affective Computing, vol. 11, no. 3, pp. 532-541, 1 July-Sept. 2020, doi: 10.1109/TAFFC.2018.2817622.

Dynamical graph convolutional neural networks (DGCNN) 是一种基于图神经网络的EEG情绪识别模型，引用量截至2024年7月达到了1000+，模型较为简单，所以适合以此了解图神经网络。

DGCNN的代码参考以下链接：

• https://github.com/xueyunlong12589/DGCNN
• torcheeg： https://torcheeg.readthedocs.io/en/latest/generated/torcheeg.models.DGCNN.html#torcheeg.models.DGCNN

什么是Chebynet？

频谱图理论 (Spectral Graph Theory) 是用线性代数概念（如特征向量和特征值理论）研究图的性质。
（想要简单了解频谱图理论可以参考这个视频。）

DGCNN的基础是Chebynet。Chebynet是一种频谱图神经网络（Spectral GNNs） 在频谱域中操作，具体指的是在图的拉普拉斯矩阵上应用卷积算子。

图的拉普拉斯矩阵

$A$ 是邻接矩阵，$D$ 是度矩阵。$L$ 是拉普拉斯矩阵，假定它是对称的：
$$L=D-A$$
$L$ 通过 SVD（奇异值分解）获得 $U$ 中的特征向量和特征值。
$$L=U\Lambda U^T$$
传统频谱滤波器：图上的频谱卷积可以定义为节点信号 $x\in R^N$ 与在傅里叶域中的卷积滤波器 $g_{\theta }=\mathrm{diag}(\theta )$ 的乘积，其中 $\theta$ 是滤波器的编号。
$$g_{\theta }\star \mathbf{x}=U{g}_{\theta }{U}^T\mathbf{x}$$
$U^{}$