一、成果简介

随着人机交互、心理健康监测和情感计算技术的快速发展，如何准确、稳定地识别个体情绪状态，已成为人工智能、神经科学和心理学交叉领域的重要研究方向。脑电图（EEG）信号能够直接反映大脑神经活动，具有时间分辨率高、非侵入性和实时性强等优势，已逐渐成为情绪识别任务中的重要数据来源。然而，现有脑电情绪识别方法多采用全脑EEG信号整体建模方式，容易忽视不同脑区在情绪处理过程中的功能差异，导致冗余脑区信息被引入模型，影响关键脑区特征的有效利用和识别结果的稳定性。

本成果提供了一种基于局部流动态引导全局流的多流脑电情绪识别方法，即局部引导全局学习的多流脑电情绪识别网络（LGL-MSNet）。该方法根据大脑功能区域将EEG通道划分为额叶、颞叶、顶叶和枕叶等多个局部区域，并分别建立局部流，同时构建面向全脑EEG信号的全局流。在模型训练过程中，局部流首先对各脑区EEG信号进行独立学习和情绪分类，并通过预测标签稳定性策略完成局部流预训练，保证局部流在后续训练阶段能够为全局流提供可靠引导。

在特征提取方面，本成果设计了自编码特征增强模块（AFRM），通过卷积特征提取与重构约束，使模型能够在保持输入维度一致的前提下自动强化EEG信号中的有效特征，并抑制噪声或无关成分。在局部与全局信息融合方面，本成果进一步提出LGL Block，通过局部流的分类置信度动态衡量不同脑区对情绪识别任务的贡献程度，并将该置信度作为引导权重作用于全局流，使全局流能够更加关注高贡献脑区特征，降低低相关脑区信息的干扰。

实验结果表明，该方法能够有效提升脑电情绪识别的准确率与鲁棒性。在公开数据集SEED-IV上，本方法取得86.35%识别准确率；在SEED数据集上取得97.59%识别准确率。该成果为EEG情绪识别中的脑区差异建模、局部—全局协同学习以及可解释脑电特征利用提供了一种新的技术路径，具有较好的科研价值和应用推广潜力。

图1 LGL-MSNet 的总体结构图

二、应用领域

本成果适用于脑电情绪识别、情感计算、人机交互、心理健康监测、智能教育、辅助心理评估等应用场景。该方法也可拓展应用于基于EEG的认知状态识别、疲劳检测、注意力评估、压力监测等相关领域。

三、市场前景

随着人工智能技术、可穿戴脑电采集设备和数字心理健康服务的不断发展，基于生理信号的情绪识别与心理状态评估正逐渐从实验室研究走向实际应用。相比面部表情、语音等外显信号，EEG信号能够更直接地反映大脑活动状态，在隐性情绪识别、客观心理评估和连续状态监测方面具有独特优势。

本成果提出的LGL-MSNet方法能够充分利用不同脑区在情绪识别中的差异化作用，通过局部流对全局流进行动态引导，提高模型对关键脑区特征的关注能力，具有较强的算法创新性和工程应用价值。该技术可作为脑电情绪识别系统、心理健康监测平台、智能交互设备和脑机接口应用中的核心算法模块进行集成部署，也可与可穿戴EEG设备、移动端心理测评系统和多模态情绪分析平台结合，形成面向教育、医疗辅助、公共安全、智能交互等场景的智能化解决方案。

在心理健康服务需求增长、智能人机交互快速发展以及脑机接口技术持续推进的背景下，本成果在智能心理评估、情绪计算软件、脑电数据分析平台和相关算法授权服务中具有较好的应用前景和市场转化价值。

四、知识产权

1. 成果由成都大学持有；

2. 已形成国家发明专利成果：一种局部引导全局学习的多流脑电情绪识别方法（专利号：ZL 2025 1 1617317.4）。

五、合作方式

技术许可、技术转让、联合开发、算法集成、应用示范和成果转化合作。

六、对接方式

（1）合作意向方联系成都大学科技处；

（2）成都大学科技处沟通了解意向方需求及应用场景；

（3）会同成果完成团队与意向方共同研讨技术适配、应用验证和成果转化方案。

联系电话：84616173