文章：

CR-GCN: Channel-Relationships-Based Graph Convolutional Network for EEG Emotion Recognition

单位：

上海大学计算机学院、上海工业计算机、喀什大学计算机学院。提出CR-GCN，使用GCN的邻接矩阵提取情感数据中的特征用于分类。 2022.7.26 BrainSci IF:3.88\JCR:Q2

脑电情绪主要研究方向：离散法、维数法

情绪识别主要特征：

EEG信号中较高频带与情绪的产生和后续变化密切相关，可从这些频带中提取特征，本文从theta、alpha、beta、gamma频带中提取PSD特征，把脑电通道拓扑结构与功能连接相结合，在维数上进行分类

技术路线：

1、实验开始的前3s作为基线数据，来消除脑电噪声

2、6s的时间窗切段

3、每个切片中提取功率谱密度PSD（频域）并归一化，建立特征矩阵

4、使用脑电通道的拓扑结构和脑功能连接构建邻域矩阵

5、最后使用各个切片的特征立方和邻域矩阵作为GCN的输入

补充：

拓扑结构：

raw。plot_psd_topo()

原始EEG通道的拓扑结构

CR-GCN使用通道的邻域矩阵来表示通道关系，通过邻域矩阵构建图特征，来表示通道拓扑结构

功能连接

功能连接是大脑电极与电极之间（脑区与脑区之间）信号的统计学关系，是功能层面的联系而不是结构层面（神经元）的连接.

是功能层面的联系意思是：

即使大脑两个电极或者两个脑区之间的功能层面的联系很强，也并不能说明这两个脑区之间存在神经元，把这两个脑区连在一起

功能连接类别：

2、电极与电极功能连接：头皮层面

3、脑区与脑区功能连接：源定位技术得到每个脑区的激活，再分析脑区之间的连接

功能连接性质：

方向性：

无向功能连接：可同时评估脑区/电极之间连接的强弱和连接的方向（谁影响谁，存在一个从一个电极到另一个电极的信息流）

有向功能连接：脑区、电极二选一评估

无向连接

有向连接

模型搭建：

CR-GCN一共5个结构：

1、Data calibration：

取前3秒基线脑电数据的均值，然后叠加20次，形成60秒数据

从观看60s视频的脑电数据中减去相应的基线数据

这样，脑电图信号就有很高的概率去除与情绪无关的噪音信号

---

2、Data division: window = 6s frame = 3s 按照公式 ((60-T)/S+1)切段

---

3、Feature extraction：提取每个切段的高频带PSD特征，为更好地识别、并进行特征归一化

---

4、 Adjacency matrix construction：

EEG信号通道拓扑矩阵：是基于距离的方法，倾向于研究脑电信号通道之间的局部关系。

EEG信号通道连接矩阵：基于功能连接方法，倾向于研究脑电信号通道之间的全局关系。

因此，为了更准确地描述脑电通道之间的关系，把上述局部+全局相结合更好的捕获脑电通道之间的关系

---

5、Emotion Recognition：

PSD归一化后的特征矩阵作为GCN节点，邻域矩阵作为节点关系、GCN分类、softmax输出预测结果

Result：

论文对比实验结论：

CC为相关系数的绝对值，0.5为随机选取值，0.98是通过反复实验选择的值。

在相同条件下，节点特征的归一化比不归一化的方法至少高13%。

结论：

1、邻接矩阵的设计捕捉了脑电信号通道之间的局部和全局关系，更准确地描述了脑电信号通道之间的关系。邻接矩阵的设计既考虑了生物拓扑结构，又考虑了脑电信号通道之间的功能连通性。因此，CR-GCN比ERDL更准确地描述了脑电通道之间的关系。

2、CR-GCN的图表示提供了更好的捕获通道间关系和提取图域特征的方法，有利于实现情感识别。