近日，成都大学计算机学院2023级计算机科学与技术专业研究生杨勇在情感计算领域国际知名期刊发表系列研究成果。

科研论文"A dual-stream regional feature learning and adaptive fusion method for electroencephalogram-based emotion recognition"发表在国际知名期刊 Engineering Applications of Artificial Intelligence（中国科学院一区top期刊，2025年影响因子8.0）。该成果由杨勇同学作为第一作者完成，施开波、谢远伦、周楠老师为共同通讯作者。该研究围绕基于脑电信号（EEG）的情绪识别展开，针对现有方法在脑区建模与特征融合方面的不足，提出一个双流区域特征学习与自适应融合网络（DRFNet），在多项公开基准数据集上取得领域内领先的识别精度。

情绪识别在心理健康监测、人机交互等方向具有广泛应用潜力。EEG 信号因可真实反映大脑活动，被认为是最具价值的情绪识别途径之一。然而，大多数现有方法忽视了“大脑不同区域承担不同情绪功能”这一神经科学事实，难以充分挖掘区域深层特征。针对这一问题，研究团队提出DRFNet，将脑电通道映射至七个功能区域，并从区域内部深度提取局部与全局特征，再通过注意力机制实现重要脑区的自适应融合。论文中指出：CNN 分支提取脑区的局部空间特征；Transformer 分支建模脑区的全局依赖关系；交叉注意力实现单个脑区的两类信息有效融合；区域特征融合模块（RFM）动态衡量每个脑区的重要性，融合所有脑区信息；区域损失函数约束模型关注关键区域、抑制噪声干扰。该模型在 SEED、SEED-IV、SEED-V、SEED-VII 四个国际公开 EEG 数据集上取得优异表现。

科研论文A Hybrid SGC-Transformer Network for EEG Emotion Recognition with Historical Data Integration发表在国际期刊Neurocomputing（中国科学院二区，2025年影响因子6.5）。该论文由杨勇同学作为第一作者完成，施开波（导师）担任通讯作者。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的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。

文章链接：https://doi.org/10.1016/j.engappai.2025.113250

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