MSGM:一个多尺度的时空图形Mamba用于EEG情感识别
Hanwen Liu1, Yifeng Gong1, Zuwei Yan2
1The School of Electronics and Communication Engineering, Sun Yat-sen University, Shenzhen, China.
Frontiers in neuroscience
|February 23, 2026
概括
多尺度时空图马巴 (MSGM) 通过高效地建模大脑动态来增强脑电图 (EEG) 情绪识别. 这种新的方法实现了移动健康应用的高精度和实时性能.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 基于脑电图 (EEG) 的情绪识别对于移动健康和情感计算至关重要.
- 现有的方法在复杂的大脑动态建模和边缘部署的计算效率之间的权衡中扎.
- 当前的方法往往忽视了多层次的时间动态和层次的空间大脑连接.
研究的目的:
- 引入多尺度时空图马巴 (MSGM) 以实现高效,强大的基于EEG的情感识别.
- 解决现有方法中复杂的时空大脑活动和计算开销的建模方面的局限性.
- 通过边缘部署AI来促进实时临床监测和情感互动.
主要方法:
- 拟议的MSGM使用多窗口时间细分来进行相对功率光谱密度 (rPSD) 特性提取.
- 采用双模全球和局部图形,通过多深度图形卷积网络 (GCNs) 改进,以建模层次大脑连接.
- 集成了一个单层的MSST-Mamba模块,用于线性计算复杂性和高效的状态空间建模.
主要成果:
- 在主题独立的协议下,MSGM在SEED,THU-EP和FACED数据集中实现了竞争性的准确性和F1分数 (例如,在SEED上83.43%的准确性).
- 在NVIDIA Jetson Xavier NX边缘设备上演示了毫秒级推理 (151 ms),证实了实时适用性.
- 由于单一的MSST-Mamba层架构,展示了强大的泛化和效率.
结论:
- MSGM有效地捕捉复杂的时空大脑动态,具有较低的计算开销,适合实时应用.
- 该框架将神经解剖学先验集成到状态空间建模中,以提高准确性和可解释性.
- 未来的工作将重点放在多式联运一体化和优化层次空间建模,以实现跨主题的可变性.
