近日，生命科学与技术学院脑器交互研究团队在人工智能领域国际顶级期刊《IEEE Transactions on Neural Networks and Learning Systems》和《IEEE Transactions on Systems, Man and Cybernetics: Systems》先后发表题为《An Efficient Graph Learning System for Emotion Recognition Inspired by the Cognitive Prior Graph of EEG Brain Network》和《Brain Network Manifold Learned by Cognition-Inspired Graph Embedding Model for Emotion Recognition》的2篇长文（Regular Paper）。团队李存波博士为论文第一作者，团队徐鹏教授、尧德中教授和李发礼副研究员为共同通讯作者，两项研究受到科技创新2030-“脑科学与类脑研究”重大项目、国家自然科学基金委重点等科研项目的资助。
针对深度学习策略在情绪脑电识别应用中存在的认知可解释性问题，作者将情绪脑电网络作为一种刻画个体情绪过程的认知先验图信息，通过认知启发和数据驱动相融合的策略，学习情绪脑电信号的潜在图特征，并由此提出一种基于脑电网络认知先验图的情绪脑电深度图学习系统（Graph Convolutional Network framework with Brain network initial inspiration and Fused attention mechanism, BF-GCN），BF-GCN学习系统总体框架如图1。
在该学习系统中，个体情绪脑电网络首先被用作一种具有认知先验的启发图特征，并通过注意力学习机制融合数据驱动和认知启发学习策略，以弥补单一数据驱动学习策略在情绪脑电信号认知可解释性图表征方面的局限性。基于公开脑电数据集的单个体和跨个体实验结果证明：BF-GCN模型能有效挖掘情绪脑电信号的潜在图模式并实现稳健的情绪脑电解码，系列实验结果验证了模型在情绪脑电深度图特征挖掘方面的有效性和优越性，为实现稳健、高效、泛化的情绪脑电解码模型构建提供了研究方向。
图1. T-NNLS文章所提BF-GCN图学习系统总体框架
为有效刻画情绪脑电网络样本间的认知模块结构相似性，作者提出一种具有认知启发学习特性的脑电网络图嵌入模型（Cognition-inspired Graph Embedding model in the L1-norm space, L1-CGE），以实现个体情绪脑电网络的认知图表征及个体情绪状态的稳健评估。具体来说，在L1-CGE模型中，作者基于脑电网络拓扑结构提出一种具有认知启发特性的、用于刻画脑电网络节点间亲和度的脑电网络结构相似度度量，以构建个体情绪脑电网络潜在的高维流形拓扑图；并进一步地利用L1范数空间定义的最优图嵌入子空间目标函数，学习情绪脑电网络的最优认知图表征，通过提取情绪脑电网络的低维认知图特征，实现对个体情绪状态的有效评估。实验结果表明：L1-CGE模型能有效满足在线情绪解码任务对模型稳健性和实时性的应用需求，并以84.38%的准确率实现个体情绪状态的在线实时解码和动态评估。系列实验结果验证了L1-CGE模型在个体情绪状态解码中的稳健性和有效性，为进一步实现在线情感脑-机接口系统的应用开发提供了有效支撑。
图2. T-SMCA文章所提L1-CGE图表征模型框图
