情感脑机接口（affective brain-computer interface，aBCI）是一种能够解码人类情绪状态的新型接口技术，是传统运动脑机接口向下一代认知脑机接口发展的必由之路，在神经科学、人机交互、精神疾病诊疗等领域具有广泛的应用前景。然而，当前aBCI模型在情绪识别的准确性和可解释性方面仍面临挑战，且无法有效融合来自多个频段和脑区的情绪认知特征。
针对这一技术难题，由国家级领军人才、达摩院青橙奖获得者、天津大学脑机海河实验室副主任刘爽教授带领团队与新加坡南洋理工大学合作提出了一种面向情感脑机接口的可解释性模型MFMR-FN。该模型的主要创新是支持多频段编码和多脑区解码，在基于aBCI的情绪识别和抑郁症检测任务中显著优于现有方法。同时，该模型提取的脑功能连接矩阵可用于情绪认知分析以及抑郁症患者的脑网络生理研究，为aBCI研究提供了可解释性的深度学习工具。该成果已发表于计算机科学领域中科院一区TOP期刊Information Fusion (IF: 15.5)。
MFMR-FN模型由多频段编码网络和多脑区解码网络组成。在多频段编码网络中，本研究利用谱图理论与对称正定矩阵（SPD）学习，通过引入基于黎曼几何的多频段融合算法，将复杂的多频段EEG信号自适应编码为具有神经生物学信息的跨频段脑功能连接。该功能连接可供研究人员进行多维度的脑网络分析，进一步解析编码网络的决策机制。在多脑区解码网络中，本研究集成了多脑区选择机制和多尺度黎曼神经网络。该网络可同时捕捉全脑、半球及局部脑区的功能连接特征，实现了粗-细粒度结合的情感解码。
研究团队在两个aBCI公开数据集上对MFMR-FN进行了广泛实验，包括用于情感识别的SEED数据集和用于抑郁症检测的MODMA数据集。实验结果表明，MFMR-FN在多个评估指标上优于现有方法，且其提取的脑功能连接特征具有较强的可解释性，可揭示不同情绪状态下的脑网络模式以及抑郁症患者的异常脑连通性。该模型显著提升了aBCI的准确性与可靠性，进一步推动了其在多领域的广泛应用。
本研究依托先进医用材料与医疗器械全国重点实验室、脑机交互与人机共融海河实验室，获得了科技部重大项目课题、国家自然科学基金、国家留学基金委的资助与支持。天津大学医学院2021级博士生王韬为该论文的第一作者，刘爽教授与新加坡南洋理工大学毛睿研究员为通讯作者。
https://doi.org/10.1016/j.inffus.2025.102971
图文来源：天津大学医学院
责任编辑：李孟瑜
仅用于学术分享，若侵权请留言，即时删侵！
欢迎加入脑机接口AI星球
获取更多脑机接口+AI等领域的知识和资源。
找资源，合作请添加微信:RoseBCI【备注：姓名+行业/专业】。
欢迎来稿
1.欢迎来稿。投稿咨询，请联系微信：RoseBCI
点击投稿：脑机接口社区学术新闻投稿指南
2.加入社区成为兼职创作者，请联系微信：RoseBCI
一键三连「分享」、「点赞」和「在看」
不错过每一条脑机前沿进展
