本网讯（人工智能学院）近日，国际期刊《IEEE Journal of Biomedical and Health Informatics》（IF=6.7）发表了我校人工智能学院陈盛博教授团队的研究论文《Sub-band Embedding Based EEG Spatio-Temporal Activity Representation for Emotion Recognition》。南昌大学为第一署名单位，施建业同学为第一作者，陈盛博教授、段文影博士为通讯作者。

情绪识别是脑机接口与智能健康领域的重要研究方向。脑电信号具有多频、多通道、强时序等特点，但现有方法在频率信息利用、高阶空间关系建模以及长程时序依赖挖掘等方面仍存在不足。针对上述问题，研究团队提出了“子频带嵌入+超图建模+状态空间时序学习”的统一建模方法，实现了脑电信号频率、空间与时间信息的协同表征。

研究中，团队首先将脑电信号划分为5个子频带，并通过可学习嵌入增强不同频段情绪相关信息的表达能力；随后引入基于神经生理先验的超图结构，以脑区为单位对多个脑电通道进行高阶关系建模，使其更符合脑功能网络的组织方式；在时间维度上，采用多头Mamba状态空间模型，对脑电信号中的非线性特征与长程依赖关系进行高效建模；最后结合图卷积实现跨频带时空特征融合，构建统一判别表示用于情绪分类。

系统实验结果表明，该方法在SEED与SEED-IV两个公开数据集上均取得了优异表现。在SEED数据集上，模型在跨被试任务中准确率达到85.63%，在被试依赖任务中达到95.86%；在SEED-IV数据集上，模型在被试依赖与跨被试任务中分别取得84.37%和74.77%的性能指标，并在复杂情绪类别划分场景下表现稳定，验证了其在跨个体泛化和复杂情绪识别中的优势。

该研究提升了脑电情绪识别任务的建模性能，其提出的“多频协同建模+高阶空间关系学习+高效时序建模”研究范式也具有较好的通用性，可拓展至脑机接口及复杂生物信号分析等相关任务，为复杂时序信号智能分析提供了有益参考。

本研究得到国家自然科学基金（62566039、62403309）、江西省自然科学基金（20242BAB20066）等项目资助。

论文链接：https://doi.org/10.1109/jbhi.2026.3673733