一种用于从脑电信号识别情绪的双分支深度学习框架

为什么读取脑电波可以帮助改善情绪

压力、焦虑和抑郁等心理健康问题往往在我们或周围人完全察觉之前悄然发展。若日常设备能够悄悄跟踪我们的情绪状态，并在我们可能需要休息或帮助时发出提示，会怎样？本文探讨了一种读取脑活动模式的新方法：使用记录头皮电信号的头戴设备，并结合现代人工智能，快速、准确且少量手工调参地识别情绪。

将脑信号转化为情绪线索

我们的脑持续产生可被称为 EEG（脑电图）技术测量的微弱电脉冲。当我们感到平静、紧张或愉悦时，这些信号会发生细微变化。传统解析 EEG 数据的方法高度依赖专家从原始信号中手工设计数学特征，这一过程既缓慢又脆弱，且难以从一项研究迁移到另一项。作者旨在用一个端到端系统取代这种手工工作，让情绪识别能直接从数据中学习，从而在实际心理健康监测中变得更可靠、更易部署。

用两条路径理解同一信号

研究的核心是一种双分支深度学习模型，它以两种互补的方式观察相同的 EEG 信号。一个分支侧重于信号随时间的演变，将原始脑电波序列输入一种擅长跟踪模式与节奏的神经网络——LSTM。另一个分支把相同信号转换为频率图（有点类似音频工程中可视化声音的方式），并将该频谱图送入擅长识别局部模式的卷积网络。通过让一个分支专注于时间信息、另一个专注于频谱信息，系统能够捕捉到不同情绪在大脑中如何表现的更丰富细节。

让两种视角彼此互学

作者并未将这两条分支当作直到最后才会合的独立专家，而是设计它们实现双向交互。基于频谱的特征被再转换回类似信号的形式并送入额外的时序网络，鼓励模型检查这些频谱模式在时间维度上是否也连贯。反之，由时序分支产生的摘要被重构为合成信号，转换为频谱图后由谱域分支再次检验。这种来回交换有助于模型就信号中哪些方面真正对区分情绪状态重要达成一致。最后，模型使用简单的数学运算融合这些视角，突出两者一致性强的部分，然后将结果交给一个紧凑的分类器输出情绪类别。

在不同真实场景下的测试

为了检验该方法在单一受控实验之外的适用性，作者在三组公开数据集上进行了测试，这些数据集在情绪与压力场景上差异很大。一组使用消费级头带记录人在观看电影片段时的正面、中性和负面情绪；第二组跟踪志愿者在压力面试、平静基线和有趣视频间佩戴胸带与腕部传感器的表现；第三组观察办公室工作人员在长时间会话中面对时间压力与打断时的反应。在这些多样的情境、设备与参与者中，双分支模型取得了显著高的准确率——在脑电数据集上超过96%，在另外两组上接近完美，同时保持了足够高效的设计，可用于近实时应用。

这对日常生活意味着什么

通俗地说，研究表明，结合两种简单但互补的脑活动视角，并让它们不断相互精炼，可以产生兼具强大性能与实用性的情绪识别系统。该框架不再依赖脆弱的手工特征，而是直接从数据中学习，并在面对新的人群与记录条件时保持鲁棒性。尽管还需要更多工作来跨数据集适配、为可穿戴设备压缩模型并整合额外的身体信号，但这种双分支方法指向了未来可能悄然跟踪我们情绪健康的工具，能够在危机来临前很久提供早期预警与个性化支持。

引用: Saha, D., Ali, A., Gulvanskii, V. et al. A dual-branch deep learning framework for emotion recognition from EEG signals. Sci Rep 16, 13076 (2026). https://doi.org/10.1038/s41598-026-42998-8

关键词: EEG 情绪识别, 深度学习, 心理健康监测, 脑机接口, 压力检测