脑电图（EEG）情感识别对心理健康监测和情感脑机接口至关重要，但现有的深度学习方法往往将情感类别视为孤立标签，忽略了它们之间的心理依赖关系。为此，我们提出了一种图正则化学习框架，将情感概念化为图中的节点，边则基于维度情感理论编码情感之间的接近性。
我们采用了三种互补的正则化策略：
- Graph Label Smoothing（直观的软标记）
- Graph Laplacian的通勤距离（光谱图理论）
- 切片Wasserstein距离（图上的最优传输）
这些策略按计算复杂度递增的顺序排列，惩罚那些偏离既定情感拓扑的模型预测。我们的框架在三种代表性的主干架构上进行了评估：AudioTransformer（纯Transformer）、Conformer（CNN-Transformer混合）和DCGNN（因果图神经网络），展示了架构无关的优势。
在SEED-IV（4类）和SEED-V（5类）数据集上的实验结果表明，该框架带来了持续的改进：最佳情况下准确率提高了5.42%，心理上不合理的错误分类减少了39%。最终，我们的框架帮助提高了标准方法可实现的性能上限。代码将会发布。
博主点评：该研究通过引入图正则化方法，成功提升了脑电图情感识别的准确性，展示了情感之间深层次的联系。未来的研究可以进一步探讨这种方法在其他领域的应用潜力。