论文标题：ArtEEGAttention: an advanced deep learning approach for art brain decoding

期刊：Frontiers of Computer Science

作者：Shuming HU, Shu ZHANG, Ying ZHANG, Zhu WANG, Bin GUO, Zhiwen YU

发表时间：27 Jun 2025

DOI：10.1007/s11704-025-50344-w

微信链接：点击此处阅读微信文章

引用格式：

Shuming HU, Shu ZHANG, Ying ZHANG, Zhu WANG, Bin GUO, Zhiwen YU. ArtEEGAttention: an advanced deep learning approach for art brain decoding. Front. Comput. Sci., 2026, 20(8): 2008346

阅读原文：

摘要

西北工业大学研究团队开发了ArtEEGAttention深度学习架构，通过分析脑电图（EEG）数据来识别个体在观看艺术品与注视白墙时的不同脑部状态。该模型结合了滑动窗口卷积与多头自注意力机制，捕捉审美过程中的认知差异，为理解艺术欣赏背后的神经机制提供了高效的计算工具。

文章精要

审美欣赏是一种复杂的心理活动，探索艺术如何触发大脑反应对于理解人类认知至关重要。虽然功能性磁共振成像（fMRI）等技术已用于脑部解码，但其设备昂贵且使用受限。相比之下，脑电图（EEG）具有高时间分辨率和便捷性，但EEG信号通常包含大量噪声，且不同个体之间的信号差异极大。这使得从海量、非线性的脑电数据中精准提取出与艺术审美相关的特征变得异常困难，传统模型在处理这类跨被试的泛化任务时往往表现不佳。

为解决上述挑战，研究团队设计并实现了ArtEEGAttention模型。该架构的核心在于引入了滑动窗口卷积技术，用以初步提取脑电信号的时间特征，随后配合多头自注意力机制（Multi-head Self-attention）来捕捉信号内部的长程依赖关系。这种设计允许模型在动态的神经活动中聚焦于最具代表性的审美认知特征，从而更敏锐地分辨出大脑在面对艺术刺激与无刺激状态下的微细变化，克服了传统方法对局部特征过度依赖的局限性。

实验通过对16名受试者在观看艺术品和白墙时的EEG数据进行分析，结果显示ArtEEGAttention在跨被试分类任务中达到了77.96%的平均准确率。这一数据显著优于现有的基准模型，证明了该方法在处理复杂、多变的生物信号时具有极强的鲁棒性和泛化能力。尤其是在不同受试者之间，模型展现出了高度的一致性，证明其捕捉到了人类审美认知中某些通用的神经模式。

该研究不仅在神经科学与人工智能的交叉领域取得了重要进展，也为未来艺术教育评估、个性化艺术疗法以及沉浸式人机交互提供了技术路径。通过低成本的脑电监测结合先进的深度学习算法，科研人员能够更直观地解读艺术对人类心灵的影响。该成果有望推动脑机接口技术在文化传播与健康医疗领域的创新应用。

期刊简介

Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办，南京大学支持，SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华院士，共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐B类期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”；两次入选“中国科技期刊卓越行动计划”（一期梯队、二期领军）。

中国学术前沿期刊网

http://journal.hep.com.cn