河南大学数学与统计学院、河南省应用数学中心（河南大学）成员杨利军及其团队在脑电信号（EEG）情绪识别领域取得重要研究进展，相关成果以“Electroencephalogram-based emotion recognition using factorization temporal separable convolution”为题发表于国际SCI期刊Engineering Applications of Artificial Intelligence。

EEG信号中不同特征之间复杂的交互关系是情绪识别研究中的关键挑战。然而，传统神经网络模型通常仅关注特征的单一表示，未能有效捕捉特征间的交互信息。针对这一问题，研究团队提出了一种新型特征学习框架FTSCN，通过构建特征交互提取网络，显著提升了情绪识别的准确率。具体而言，团队设计了两个核心模块：

(1) 特征交互建模模块（Feature Interaction Modeling Module）： 引入因子分解机，通过隐向量方式捕捉特征交互关系，从而有效建模EEG信号中变量间的复杂依赖性。

(2) 时间序列卷积模块（Temporal Separable Convolution Module）： 利用卷积操作提取EEG信号的动态变化特征，准确建模其时间序列特性。

通过结合因子分解机与时间序列卷积技术，FTSCN模型实现了全局特征与局部特征的联合建模。实验结果表明，FTSCN在公开的EEG情绪识别数据集上分类准确率相比现有方法平均提升了约3.5%。本研究的创新点在于首次将因子分解机与时间序列卷积模块结合，引入隐向量建模方法解决了EEG信号中特征交互建模的难题。研究成果为脑电信号情绪识别中复杂特征关系的建模提供了新方法，同时对复杂时序信号的分析研究具有重要的参考价值。

杨利军为论文第一作者，杨晓慧教授和郑晨教授为主要合作者，论文详情见：https://www.sciencedirect.com/science/article/pii/S0952197624001696。