近日，做爱视频 研究生杨勇完成的论文A Hybrid SGC-Transformer Network for EEG Emotion Recognition with Historical Data Integration在国际期刊Neurocomputing（中国科学院二区，2025年影响因子6.5）正式发表。该论文介绍了一种基于 Simple Graph Convolution（SGC）与 Transformer 融合的情绪识别模型 SGCTNet，针对 EEG 通道间关系建模不足与数据利用率有限等问题提出改进方案，并在多个公开数据集上获得验证。

近年来基于EEG 的情绪识别取得了显著发展，但现有方法对脑电通道之间的复杂关联挖掘不足，特别是对通道拓扑与特征关系的联合建模仍然缺乏探索。同时，许多模型在训练时未充分利用已有EEG数据规模，掩盖了其真实性能水平。针对这些问题，研究首先提出将图卷积与Transformer结合，以同时捕获EEG 通道间的拓扑结构信息和基于特征的长距离依赖关系。论文中设计的 SGC-Transformer 网络由多个 SGCT 模块构成，每个模块包含一个 SGC 层和一个 Transformer 结构。其中，SGC层用于学习EEG通道的拓扑结构关系，而Transformer则在此基础上进一步捕获通道之间的长距离依赖，从而实现拓扑信息与特征信息的互补融合。该机制使模型能够更全面地探索通道间关系，提升情绪识别的判别能力。此外，研究提出了一种EEG数据整合策略，通过将历史采集的EEG数据纳入当前训练集，显著增加模型可利用的数据量。实验结果显示，该策略在多组实验中都带来了稳定的性能提升，体现了数据规模扩展在情绪识别研究中的重要性，为未来提升数据规模、改进EEG 模型性能提供了参考方向。

本研究由做爱视频 2023级计算机科学与技术专业研究生杨勇同学作为第一作者完成，施开波（导师）担任通讯作者。

文章链接：//doi.org/10.1016/j.neucom.2025.131822