图神经网络EEG论文阅读和分析：《EEG-Based Emotion Recognition Using Regularized Graph Neural Networks》

下面所有博客是个人对EEG脑电的探索，项目代码是早期版本不完整，需要完整项目代码和资料请私聊。


数据集
1、脑电项目探索和实现(EEG) (上)：研究数据集选取和介绍SEED
相关论文阅读分析：
1、EEG-SEED数据集作者的—基线论文阅读和分析
2、图神经网络EEG论文阅读和分析：《EEG-Based Emotion Recognition Using Regularized Graph Neural Networks》
3、EEG-GNN论文阅读和分析：《EEG Emotion Recognition Using Dynamical Graph Convolutional Neural Networks》
4、论文阅读和分析:Masked Label Prediction: Unified Message Passing Model for Semi-Supervised Classification
5、论文阅读和分析：《DeepGCNs: Can GCNs Go as Deep as CNNs?》
6、论文阅读和分析： “How Attentive are Graph Attention Networks?”
7、论文阅读和分析：Simplifying Graph Convolutional Networks

8、论文阅读和分析：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
9、图神经网络汇总和总结
相关实验和代码实现：
1、用于图神经网络的脑电数据处理实现_图神经网络 脑电
2、使用GCN训练和测试EEG的公开SEED数据集
3、使用GAT训练和测试EEG公开的SEED数据集
4、使用SGC训练和测试SEED数据集
5、使用Transformer训练和测试EEG的公开SEED数据集_eeg transformer
6、使用RGNN训练和测试EEG公开的SEED数据集
辅助学习资料：
1、官网三个简单Graph示例说明三种层次的应用_graph 简单示例
2、PPI数据集示例项目学习图神经网络
3、geometric库的数据处理详解
4、NetworkX的dicts of dicts以及解决Seven Bridges of Königsberg问题
5、geometric源码阅读和分析：MessagePassin类详解和使用
6、cora数据集示例项目学习图神经网络
7、Graph 聚合
8、QM9数据集示例项目学习图神经网络
9、处理图的开源库

摘要：

脑电图(EEG)通过电极测量大脑不同区域的神经元活动。现有的许多基于EEG的情绪识别研究并没有充分利用EEG通道的拓扑结构。在本文中，提出了一种正则化图神经网络(RGNN)用于基于脑电图的情绪识别。RGNN考虑了不同脑区域之间的生物拓扑结构，以捕捉不同脑电信号通道之间的局部和全局关系。具体来说，通过图神经网络中的邻接矩阵来建模脑电图信号的通道间关系，其中邻接矩阵的连接和稀疏性受到人类大脑组织的神经科学理论的启发。此外，提出了两个正则子，即节点域对抗训练(NodeDAT)和情绪感知分布学习(EmotionDL)，分别更好地处理跨受试者EEG变化和噪声标签。在两个公共数据集(SEED和SEED- iv)上进行的大量实验表明，在大多数实验环境中，的模型比最先进的模型具有更好的性能。此外，消融实验表明，所提出的邻接矩阵和两个正则子对的RGNN模型的性能贡献了一致和显著的增益。最后，对神经元活动的研究揭示了基于EEG的情绪识别的重要脑区和通道间关系。

当前EEG存在的问题：

现有的大多数基于EEG的情绪识别方法都没有解决以下三个问题:

1)无法有效利用EEG通道的拓扑结构来学习更具鉴别性的EEG表征;

2)脑电信号在不同受试者之间存在显著差异，这阻碍了训练后的分类器在与受试者无关的分类环境下的泛化;

3)参与者在观看引发情绪的刺激时，可能并不总是产生预期的情绪。因此，采集到的EEG数据中的情绪标签可能存在噪声，与实际诱发的情绪不一致。

主要贡献:

1)提出了一种基于EEG信号的正则化图神经网络(RGNN)模型捕捉了局部和全局的通道间关系来识别情绪。

2)提出了两个正则器:节点域对抗训练(NodeDAT)和情绪感知分布学习(EmotionDL)，分别提高了的模型对跨受试者变化和噪声标签的鲁棒性。

3)在两个公共脑电图数据集，即SEED[7]和SEED- iv[24]上，在受试者依赖和受试者独立分类设置下进行了广泛的实验。实验结果证明了该模型和正则子的有效性。此外，的RGNN模型在大多数实验环境中比最先进的模型获得了优越的性能。

4)研究了情绪神经元的活动，结果表明，前额叶、顶叶和枕叶区域可能是情绪识别的信息最丰富的区域。此外，左右脑之间的整体通道间关系也很重要，(FP1, AF3)， (F6, F8)和(FP2, AF4)之间的局部通道间关系也可能提供有用的信息。

EEG数据构建图模型的方法：

在本节中，介绍了的正则化图神经网络(RGNN)，特别是生物学启发的邻接矩阵，RGNN的动态，以及两个正则化子，即节点域对抗训练(NodeDAT)和情绪感知分布学习(EmotionDL)。

RGNN中的邻接矩阵$A\in R^{n\times n}$表示脑电通道的拓扑结构，是图表示学习的必要条件，其中n表示脑电信号中的通道数。每个值$A_{ij}$