FC-FAN：融合脑网络功能连接与分组注意力，突破跨被试 EEG 情绪识别瓶颈

TL;DR

传统的 EEG 情绪识别往往只看“单兵作战”的电极信号，而忽略了脑区之间“协同作战”的同步性。本文提出的 FC-FAN 模型通过引入功能连接（Functional Connectivity）特征，并配合专门设计的分组注意力模块（TFGAM/F2GAM），在多个主流数据集上刷新了跨被试任务的 SOTA 记录，准确率最高提升幅度达 4% 以上。

背景定位

在情感计算和脑机接口（BCI）领域，跨被试识别（Subject-independent）一直是“硬骨头”。由于每个人的大脑物理结构和生化反应存在天然差异，模型很难从 A 身上学到的情绪特征直接迁移到 B 身上。FC-FAN 的核心直觉在于：虽然绝对信号值因人而异，但特定情绪诱发下的脑区同步连接模式（Functional Connectivity）具有更强的鲁棒性和共性。

痛点深挖：为什么只看时空特征不够？

1. 忽视了非线性关联：情绪不仅仅是某个脑区的活跃，而是多脑区构成的复杂网络活动。只提取时空特征（如微分熵 DE）会损失电极间的交互信息。
2. 泛化性能挑战：个体差异导致的特征空间偏移（Static Shift），使得单一输入源的模型极易陷入局部过拟合。
3. 转导学习的局限：许多现有的高准确率模型在训练时预知了测试集信息，这在实时应用（如车载情绪监控）中是不现实的。

核心架构详解：FC-FAN 的双轨并行

FC-FAN 采用了一个优雅的双输入并行架构，分别处理“个体活跃度”和“群体协同度”。

1. 功能连接特征提取（Phase Synchronization）

作者利用 Hilbert 变换（HT） 计算电极间的相位同步指数（PSI）。相比于振幅，相位同步对弱信号的摄动更敏感，能够精准侦测不同脑区之间的信息交换状态。这就将一维信号转化为了对称的功能连接矩阵，捕捉了空间的非线性自相关性。

2. 特征分组注意力机制（TFGAM & F2GAM）

这是本文的第二个杀手锏。为了在不显著增加计算量的前提下提取更精细的特征，作者引入了“分组（Grouping）”思想：

• F2GAM (Functional connectivity Feature Grouped Attention Module)：将功能连接映射划分为多个组，通过空间注意力权重增强关键连接区域。
• TFGAM (Time-series Feature Grouped Attention Module)：在时域分支上，对采样点进行分组，自适应地识别对情绪变化贡献最大的时间窗口。

实验战绩：全线霸榜

在最严苛的**留一被试交叉验证（LOSO）**下，FC-FAN 展现了极强的统治力：

• SEED 数据集：准确率达到 92.12%。相比于传统的 SVM 提升了近 36%，相比于最新的双半球差异建模（BiHDM）也提升了约 7%。
• SEED-IV 数据集：在四分类复杂任务中，提升幅度最为明显，达到了 78.98%。

消融实验揭秘

实验证明，同时开启 F2GAM 和 TFGAM 模块时的效果远好于单独开启。这说明模型成功地在“全局连接性”和“局部时序显著性”之间找到了平衡。

深度洞察：大脑是如何“亮起”的？

作者通过可视化发现，在 FC-FAN 视角下，不同情绪的脑区激活模式具有显著特征：

• 负面情绪：前额叶（Prefrontal）和颞叶（Temporal）显著激活。
• 正面情绪：顶叶（Parietal）和颞叶更为敏感。

这种发现不仅验证了模型的分类能力，还为神经科学提供了计算证据：顶叶和颞叶的信号质量可能是识别“积极心态”的关键指标。

总结与展望

FC-FAN 的成功证明了脑网络拓扑信息是 EEG 识别中的重要“降维打击”工具。尽管该模型在跨被试任务上表现优异，但在跨时间段（Cross-session）的增量学习上仍有提升空间。未来的研究方向可能在于如何将这种功能连接特征与预训练大模型结合，以实现更通用的脑电解析引擎。

Takeaway

• 物理直觉：同步性比绝对值更重要。
• 架构设计：分组注意力是平衡复杂度与精度的良方。
• 临床价值：为抑郁诊断、长期疲劳监测提供了更稳健的算法框架。