EEG Emotion Recognition Using DynamicalGraph Convolutional Neural Network

情感识别在人机交互中起着重要的作用[1]，它使机器能够感知人类的情感状态，从而使机器在人机交互中更加 "有同情心"。
态，从而使机器在人机互动中更有 "同情心"。基本上，情感识别方法可以分为 分为两类。第一类是基于非生理信号的，比如面部表情图像[2]。
[3], [4], [5], [6], 身体姿态[7], 和语音信号[8]。第二种是基于生理信号，如脑电图（EEG）[9]，肌电图（EMG）[10]。和心电图（ECG）[11]。在各种类型的生理信号中，EEG信号是最常用的信号之一。它是直接从大脑皮层采集的，因此它在反映人类的精神状态方面是很有优势的。反映人类的精神状态。随着干式脑电图电极技术和脑电图信号处理方法的迅速发展,随着干式EEG电极技术和EEG信号处理方法的快速发展，EEG情感识别在最近几年受到越来越多的关注。
近年来受到越来越多的关注[12]。[13], [14], [15].基本上，有两种主要方式来描述人类的
16]，即离散的基本情绪描述方法和维度方法。对于离散的基本情绪描述方法，情绪被划分为一组离散的状态，例如，六种基本情绪(即快乐、悲伤、惊讶、恐惧、愤怒和厌恶) [17]。与离散的情绪描述方法不同。维度方法以连续的形式来描述情绪，其中情绪的特点是由三个维度（价值、唤醒和支配）[18], [19]或简单的两个维度（价位和唤醒），其中价位维度主要表征积极程度或消极程度，而唤醒维度旨在描述情绪的兴奋或冷漠程度。
将EEG信号应用于情绪识别的研究可以追溯到Musha等人在[20]中的工作。在过去的几十年里，许多机器学习和信号被提出来处理EEG的情感识别[21], [22]。一个典型的EEG情绪识别方法 方法通常由两个主要部分组成，即鉴别性的EEG特征提取和情绪分类。基本上，用于情绪识别的EEG特征可以 一般分为两种，即时域特征和频域特征。和频域特征类型。时域特征如Hjorth特征[23]、分形维度特征 [24]和高阶交叉特征[25]，主要捕捉脑电图的时间信息。
捕捉脑电信号的时间信息。不同于与时域特征不同，频域特征的目的在于频域特征旨在从频率角度捕捉EEG的情绪信息。最常用的频域特征提取方法之一是将EEG信号分解为若干个频段，如 信号分解成几个频段，如d段