近日，团队本科生陈荣滔、黄卓仪、陈佳俊和林信瀚在潘家辉教授指导下完成的论文“Golden-Style Graph Alignment for Cross-Dataset EEG Emotion Recognition”被中国人工智能学会（CAAI）A类推荐期刊IEEE Transactions on Affective Computing（中科院一区TOP，IF=11.3）正式接收。该论文于2025年12月29日投稿，2026年7月6日录用。

脑电情绪识别是情感计算和脑机接口领域的重要研究方向，在人机交互、心理健康评估和智能医疗等场景中具有广阔应用前景。然而，真实场景中的脑电数据往往来自不同设备、不同实验范式和不同被试群体，导致跨数据集情绪识别面临显著的数据分布差异与泛化困难。

图1 模型整体框架图

针对上述问题，论文提出了一种面向跨数据集脑电情绪识别的黄金风格图对齐框架。该方法通过协同注意黄金对齐模块，融合脑电信号的空间拓扑关系与时间动态特征，并利用可学习的标准向量抑制数据集特有噪声，提取更为稳定的域不变情绪表征。同时，论文设计了协同图对齐模块，将跨域分布对齐建模为样本图结构学习问题，在源域标签与目标域高置信度伪标签的共同监督下，实现跨数据集联合概率分布对齐，并尽可能保留情绪语义信息。

为全面验证方法有效性，研究团队在SEED、SEED-IV、SEED-V和SEED-VII四个公开脑电情绪数据集上开展了系统实验。在跨被试实验中，该模型在SEED、SEED-IV、SEED-V和SEED-VII数据集上分别取得96.04%、87.92%、86.24%和74.88%的平均准确率，整体表现优于多种现有代表性方法。在更具挑战性的跨数据集实验中，该方法同样展现出较强的泛化能力：在SEED→SEED-IV迁移任务中取得63.53%的准确率，在SEED-IV→SEED-V迁移任务中取得70.51%的准确率，在SEED-VII→SEED-V迁移任务中取得61.73%的准确率，表明该方法在显著数据分布差异下仍能保持稳定的情绪识别性能。

图2 跨数据集实验结果

未来，研究团队将进一步拓展该方法在更多异构脑电数据集上的验证，探索更灵活的情绪标签统一策略、连续效价-唤醒度建模方法以及类别原型校正机制，以进一步提升模型在真实复杂场景下的鲁棒性与泛化能力。