基于脉冲卷积胶囊网络的脑电情绪识别：生物合理性优化与批量归一化创新

针对脑电(EEG)情绪识别中传统脉冲神经网络(SNN)性能不足及神经元死亡问题，研究人员提出新型脉冲卷积胶囊网络(SCCapsNet)，通过改进脉冲时序依赖可塑性(STDP)路由算法和引入膜电位衰减时间常数批量归一化(tau-BN)，显著提升模型生物合理性与识别准确率。在DEAP和DREAMER数据集上分别取得97.01%和93.90%的优异表现，为低功耗脑机接口提供新思路。

　　

情绪是人类心理活动的核心组成部分，直接影响健康状态与决策行为。然而，传统基于人工神经网络(ANN)的脑电(EEG)情绪识别模型存在高能耗、低生物合理性等问题，而脉冲神经网络(SNN)虽具能效优势，却因特征提取能力不足难以匹敌ANN性能。这一矛盾促使研究者探索新型计算框架。

为解决这一挑战，武汉理工大学的研究团队在《Expert Systems with Applications》发表研究，首次将胶囊网络(CapsNet)引入SNN体系，构建脉冲卷积胶囊网络(SCCapsNet)。该模型通过三阶段创新：1）改进STDP路由算法以捕捉EEG时序特征；2）设计tau-BN层缓解L₂范数导致的神经元死亡；3）优化网络架构实现时空特征融合。实验表明，在DEAP数据集情绪维度识别准确率最高达97.01%，较现有SNN方法提升显著。

关键技术包括：1）采用DEAP/DREAMER/SEED-V三个公共EEG数据集；2）基于LIF(Leaky Integrate-and-Fire)神经元模型构建网络；3）改进动态路由机制；4）引入膜电位时间常数调控的BN层；5）通过峰值发放率评估模型活性。

研究结果

1. 模型架构验证：三层次卷积胶囊结构有效提取EEG时空特征，初级胶囊层输出维度优化为8×12。

2. tau-BN效果：实验证实该层使神经元峰值发放率提升47.6%，成功解决L₂范数导致的沉默神经元问题。

3. 跨数据集测试：在SEED-V五分类任务中达到90.32%准确率，证明模型泛化能力。

4. 生物合理性分析：改进的STDP路由使时序特征敏感度提高32%，更符合神经科学机制。

结论与意义
该研究通过SCCapsNet实现了SNN在EEG情绪识别领域的性能突破，其创新点在于：1）首次将CapsNet的几何特征编码优势与SNN的脉冲特性结合；2）理论阐释BN层调控神经元活性的机理；3）为边缘计算设备部署提供可能。临床价值体现在对抑郁症等情绪障碍的客观评估，技术价值在于推动类脑计算发展。研究局限性在于未探索更复杂的多模态融合策略，未来可结合注意力机制进一步优化。