脑电信号是一种非线性非稳态的信号，对于情绪识别任务，不同导联的脑电信号对情绪识别准确率的贡献可能是不同的，基于此，我们分析了不同的导联在情绪识别任务上的贡献。

我们将提取的310维脑电特征映射到脑地形图上，可以看出，情绪识别模型的权重分布不尽体现在频段上，也体现在不同的脑区和不同的导联上。根据下图中Beta和Gamma频段的权重分布，我们从权重大的脑区中进行了导联的筛选，具体地，我们筛选出4个关键导联的集合，并分别考察只使用关键导联下情绪识别的性能： a) 4导联集合 FT7, FT8, T7, T8；b) 6导联集合：FT7, FT8, T7, T8, TP7, TP8; c) 9导联集合：FP1, FPZ, FP2, FT7, FT8, T7, T8, TP7, TP8；d) 12导联集合：FT7, FT8, T7, T8, C5, C6, TP7, TP8, CP5, CP6, P7, P8。

为了考察关键脑区的有效性，我们提取关键导联的不同频段特征，并分析比较情绪识别的准确率。识别结果表明，对于全部的4个关键脑区集合，微分熵特征（DE）均取得了最优的情绪识别准确率，微分熵特征表现优于其他的特征；另外，高频频段的Beta频段和Gamma频段同样表现优于低频频段的特征。具体地，对于4电极导联集合，DE特征在全频段上取得了82.88%的识别准确率；对于6导联集合，DE全频段特征取得了85.03%的识别准确率；对于9导联集合，DE全频段特征取得了84.02%的识别准确率；对于12导联集合，DE全频段特征取得了86.65%的识别准确率。而在62导全部使用的情况下，情绪识别准确率仅为83.99%。结果表明，选择关键脑区对应的导联，不仅可以极大地减轻特征提取、模型训练的计算量，同时由于提出了与情绪识别相关性小的导联，减小了噪声的干扰，反而改善了情绪识别的准确率，一定程度上提升了模型的鲁棒性。