时空特征融合的虚拟通道脑电信号生成网络及其在焦虑评估中的应用

袁尚青，翟文爽，郭圣文

（华南理工大学 自动化科学与工程学院，广州 510641）

摘要：便携式脑电系统通常仅提供少数额叶导联，空间覆盖度和信息量受限，从而制约其应用效果。针对这一问题，本研究提出了一种时空特征融合网络，利用4个额叶通道输入生成13个虚拟通道，将空间采样范围扩展至额叶、顶叶和颞叶区域。该网络通过时间域特征提取模块、空间域特征提取模块以及特征融合与输出模块协同提取信号的时间动态特性与通道间的空间相关特性，并引入基于椭球测地线距离的损失函数，以惩罚远端电极合成信号的较大偏差。基于公开数据集 PRED + CT（119名受试者）开展训练与验证。实验结果表明：所生成虚拟脑电信号的时域相关系数达到 0.6731 ± 0.1527，时域平均绝对误差为 3.9720 ± 1.2176，功率谱密度相关系数为 0.9354 ± 0.0391，以及频谱平均绝对误差为 1.0733 ± 0.9322，优于现有主流基准方法。将13个虚拟通道与4个原始通道联合输入支持向量机进行二分类焦虑状态识别，其准确率、精确率、召回率及ROC曲线下面积分别达到了 89.01%、91.12%、87.12% 和 89.08%。本研究所提出的方法能够有效生成高保真的虚拟脑电信号，为低通道便携式脑电设备的信息增强与焦虑状态评估提供了一种可直接应用的解决方案。

关键词：虚拟通道，时空特征融合，卷积神经网络，距离约束复合损失，焦虑分类

扫二维码浏览全文 

Cite this article

Yuan, S., Zhai, W. & Guo, S. Spatiotemporal Feature Fusion Network for Virtual-Channel Electroencephalography Synthesis and Its Application to Anxiety Assessment. J. Shanghai Jiaotong Univ. (Sci.) (2026). https://doi.org/10.1007/s12204-026-2949-2

支持单位：