情緒是人類心理活動的核心組成部分，直接影響健康狀態與決策行為。然而，傳統基于人工神經網絡(ANN)的腦電(EEG)情緒識別模型存在高能耗、低生物合理性等問題，而脈沖神經網絡(SNN)雖具能效優勢，卻因特征提取能力不足難以匹敵ANN性能。這一矛盾促使研究者探索新型計算框架。

為解決這一挑戰，上海交通大學的研究團隊在《Expert Systems with Applications》發表研究，首次將膠囊網絡(CapsNet)引入SNN體系，構建脈沖卷積膠囊網絡(SCCapsNet)。該模型通過三階段創新：1）改進STDP路由算法以捕捉EEG時序特征；2）設計tau-BN層緩解L₂范數導致的神經元死亡；3）優化網絡架構實現時空特征融合。實驗表明，在DEAP數據集情緒維度識別準確率最高達97.01%，較現有SNN方法提升顯著。

關鍵技術包括：1）采用DEAP/DREAMER/SEED-V三個公共EEG數據集；2）基于LIF(Leaky Integrate-and-Fire)神經元模型構建網絡；3）改進動態路由機制；4）引入膜電位時間常數調控的BN層；5）通過峰值發放率評估模型活性。

研究結果

1. 模型架構驗證：三層次卷積膠囊結構有效提取EEG時空特征，初級膠囊層輸出維度優化為8×12。
2. tau-BN效果：實驗證實該層使神經元峰值發放率提升47.6%，成功解決L₂范數導致的沉默神經元問題。
3. 跨數據集測試：在SEED-V五分類任務中達到90.32%準確率，證明模型泛化能力。
4. 生物合理性分析：改進的STDP路由使時序特征敏感度提高32%，更符合神經科學機制。

結論與意義
該研究通過SCCapsNet實現了SNN在EEG情緒識別領域的性能突破，其創新點在于：1）首次將CapsNet的幾何特征編碼優勢與SNN的脈沖特性結合；2）理論闡釋BN層調控神經元活性的機理；3）為邊緣計算設備部署提供可能。臨床價值體現在對抑郁癥等情緒障礙的客觀評估，技術價值在于推動類腦計算發展。研究局限性在于未探索更復雜的多模態融合策略，未來可結合注意力機制進一步優化。