SEED-VII数据集2026最新Fourier邻接Transformer算法

1任务与总体思路

2方法详解

2.1 FAL：把周期项与非周期项分开的线性层

给定输入特征 x ∈ R^d_in，FAL 的输出由两部分拼接而成：

其中 ‖ 表示通道维拼接。两部分各自承担明确职责：

设周期分支输出维度与总输出维度之比为 P-ratio。当 P-ratio = 0 时 FAL 退化为普通线性层， 因此这是一个可以平滑调节的开关（消融结果见第 5.4 节）。

2.2 FAA：双路注意力 + 可学习电极邻接矩阵

用三个独立的 FAL 分别生成 Query / Key / Value，每个都被拆成周期与非周期两半：

两路各自独立计算缩放点积注意力，区别在于注意力分数上叠加了一项结构先验：

这里有两个要点：

• Adjacency_{p/n} 是一对可学习矩阵（周期邻接、非周期邻接），参数跨深度共享—— 即整个网络只有这一对，不随层数增长。它们编码的是"电极之间普适的、被试无关的连接模式"；
• σ(f(Q)) 是一个门控：用一层线性映射把 query 压成标量再过 Sigmoid，得到 0–1 之间的权重，动态决定这一层、这个样本上"结构先验"该占多大比重。 注意力分数本身携带的是数据驱动的、样本特有的相关性，两者相加即为 "普适结构 + 个体差异"的融合。

最后按周期/非周期两路分别加权求和再拼接，得到 FAA 的输出：

保留多头设计（Multi-Head FAA）后，实现上把 8 个注意力头一分为二： 前 4 个头叠加周期邻接矩阵，后 4 个头叠加非周期邻接矩阵， 门控权重由对应 4 个头的 query 拼接后经 Linear(20→1) + Sigmoid 产生。

2.3 FAT：整体架构

输入表示

模型输入不是原始波形，而是每个时间窗的差分熵（DE）特征： 形状 B × C × F，其中 C = 62 个电极、F = 5 个频带。 DE 特征先经过一个两层 Stem 做通道维嵌入：

随后拼接一个可学习的 CLS token（序列长度 62 → 63），加上位置编码， 送入 N 个编码块。分类头只取 CLS token 位置的特征：

我们实际运行的超参数

训练期数据增强（三件套）

• 频带随机缩放：对 5 个频带各乘一个 U(0.9, 1.1) 的随机因子，模拟频带能量漂移；
• 正弦扰动：在频带维上叠加 0.05·sin(2t)，强化周期性归纳偏置；
• Mixup：α = 0.2 的 Beta 采样，混合样本与标签（损失同样按 λ 加权），提升泛化。

3SEED-VII 数据集详解

SEED-VII 是上海交通大学 BCMI 实验室 SEED 系列的最新成员，把情绪类别扩展到 7 类，并且是 SEED 家族中首个同时提供离散标签与连续标签、 同时记录脑电与眼动的多模态数据集。

3.1 采集与范式

3.2 情绪类别与 session 构成

7 类情绪为 Happy / Neutral / Disgust / Sad / Anger / Fear / Surprise。 每个 session 只覆盖其中 5 类，每类 4 个片段（20 片段 / 5 类）， 且顺序经过镜像平衡以抵消顺序效应：

3.3 特征表示

官方发布的 EEG 特征文件为每个片段提供三种逐秒特征，我们使用其中的 差分熵（DE, Differential Entropy）及其 LDS 平滑版本：

3.4 我们统计的数据规模

3.5 目录结构

SEED_VII/
├── EEG_raw/                 # 原始 .cnt（1000 Hz），每人 4 个 session
├── EEG_preprocessed/        # 预处理后原始波形（62ch, 200 Hz）
├── EEG_features/            # ★ 本工作使用：de_LDS_1..80 / de_1..80 / psd_1..80
├── continuous_labels/       # 逐秒连续情绪标签，键为片段编号
├── EYE_raw/  EYE_features/  # 眼动原始数据与特征
├── save_info/               # 触发器等采集元信息
├── src/                     # 官方预处理脚本 + 通道位置文件
├── emotion_label_and_stimuli_order.xlsx   # ★ 片段 → 情绪标签映射
├── subject info.xlsx        # 被试性别/年龄/人格量表
└── Channel Order.xlsx       # 62 电极顺序

4运行环境与复现

4.1 创建 conda 环境

# 1) 基础环境（Python 3.9 / 3.10 均可）
conda create -y -n seed7 python=3.10
conda activate seed7

# 2) PyTorch —— 必须匹配驱动的 CUDA 版本
pip install torch==2.4.0 torchvision==0.19.0 \
    --index-url https://download.pytorch.org/whl/cu124

# 3) 其余依赖
pip install numpy==1.26.4 scipy scikit-learn pandas h5py openpyxl \
            matplotlib einops tqdm

# 4) 验证（应输出 True 和 2）
python -c "import torch; print(torch.cuda.is_available(), torch.cuda.device_count())"

4.2 数据准备

官方发布的 EEG_features 是每个被试一个文件、内含 80 个片段， 而留一验证需要按 session 切片。因此需要先做一次重排：

# 把官方 de_LDS 转成按 session 组织的、每被试一个文件的形式
python prepare_de.py
# 产出：DE/{1,2,3,4}/{1..20}.mat
#   DE       : (N, 62, 5)   float64   -- (时间窗, 电极, 频带)
#   labelAll : (N, 1)       float64   -- 0..6

# 脚本内含三重校验：
#   1) 形状断言
#   2) 标签分布对照 emotion_label_and_stimuli_order.xlsx
#   3) 与官方 de_LDS_1 的逐值 round-trip 比对

4.3 训练与评测

# 单折调试（session 1，留出第 1 位被试）
python run_loso.py --epochs 50 --no-compile \
    --sessions 1 --folds-per-session 1 --out /tmp/one.json

# 完整 80 折：每折一个独立进程，用并发填满 GPU 调度器
bash run_eager_parallel.sh

# 汇总
python analyze_final.py

4.4 验证协议

for session in {1,2,3,4}:            # 每个 session 20 个片段
    for held_out_subject in 1..20:    # 共 80 折
        test  = 该被试在该 session 的全部时间窗
        train = 其余 19 名被试在【同一 session】的时间窗
        逐文件做特征维 z-score
        Adam(1e-3, wd 1e-4) / batch 32 / 50 epochs
        指标 = 50 个 epoch 内在测试集上的最优准确率

5实验结果

5.1 主结果：SEED-VII 被试独立（LOSO，7 分类）

5.2 与其他方法的对比（被试独立 / LOSO）

下表列出该方法论文中报告的 SEED-VII 被试独立结果，并附上我们的复现行。 所有方法的验证协议一致（同 session 内留一被试，7 分类）。

相对表中最强基线 Conformer（45.60%），复现结果领先约 7.7 pp；相对最弱的 KNN（21.01%）领先约 32.3 pp。 这也说明被试独立场景下 SEED-VII 是相当困难的任务—— 7 类（单 session 内实际 5 类）的准确率普遍在 40–55% 区间， 远低于被试依赖（同一被试的数据同时出现在训练与测试中）的设定。

5.3 补充参考：被试依赖（4 折）设定下的报告结果

作为横向参照，下表列出该方法在被试依赖设定（训练集与测试集都包含全部被试的数据） 下报告的结果。本工作的实验全部在被试独立设定下完成，因此本节仅作参考，不含复现值。

5.4 消融：频带贡献

5.5 收敛过程

5.6 结果解读

由于该指标是在测试集上取历史最优、且原论文未报告随机种子或重复次数， ±2 pp 的运行间抖动属于协议固有噪声。实测同一折换种子可以从 41% 波动到 56%（单折标准差远大于 80 折均值的标准误 1.03 pp）， 因此这个量级的差异不构成"复现失败"的证据。

5.7 复现过程中的两个工程要点

CUDA error: CUBLAS_STATUS_ALLOC_FAILED
when calling `cublasCreate(handle)`