基于脑电图 (EEG) 的情绪识别引起了重要关注，在神经信号处理和情感计算等领域有了多样化的发展。然而，个体的独特脑解剖结构导致不可忽视的自然差异，在主题间情绪识别中存在挑战。为了克服这些限制，我们开发了一个基于预训练模型的多模式情绪识别器，利用脑信号建模和空间 - 时间注意机制来学习通用的脑电图表示，并在不同维度和模态中最大化功能的优势。广泛的公共数据集上的实验证明了情绪识别器在跨主题情绪识别任务中的卓越性能，优于现有方法。此外，该模型从注意力的角度进行了剖析，为神经信号处理领域的情感研究提供了有价值的洞察。

May, 2024

我们提出一种基于自监督对比学习的多模式情感识别方法 ME-MHACL，通过从无标签的生物电信号中学习有意义的特征表示，并使用多头注意机制进行特征融合以提高识别性能。在 DEAP 和 MAHNOB-HCI 两个公开数据集上的实验结果表明，我们的方法在情感识别任务中表现优于现有基准方法，并具有良好的跨个体泛化能力。

Jul, 2023

通过在超复数域中进行操作，该论文提出了一个带有新型融合模块的超复数多模态网络，实现了从生理信号中的分类情感识别，超越了多模态最先进的网络。

Oct, 2023

通过多模态生理信号的 Siamese 架构，通过多尺度对比，学习抑郁症识别的多模态生理信号的表示学习框架，能够提高对刺激任务相关的语义表示的学习，且在公开数据集和自收集的多模态生理信号数据集上优于现有模型，具备对多模态时序下游任务的迁移能力。

Jun, 2024

文章使用一种新方法，通过提高来自不同参与者但属于相同类的特征的相似性，从而实现学习主体无关的表示，进而在训练中仅使用少数样本即可准确预测基于 EEG 信号的视觉刺激类别。在有限数据情况下，即使采用了严格的问题设置，该方法在 EEG-ImageNet40 基准上实现了令人满意的表现，即面向目标主体每类只使用 5 个 EEG 样本时：72.6％ / 91.6％的 top-1 /top-3 测试精度。

Feb, 2022

提出了一种基于情感计算驱动的体验质量（QoE）预测的新模型，使用多通道脑电图（EEG），心电图（ECG）和呼吸数据训练深度学习模型，比较了模型的性能，并对最佳模型进行了优化以提高结果。

Nov, 2023

本研究提出了一种用于电极脑电图（EEG）数据的跨受试研究的两阶段模型合奏架构，该架构由多个特征提取器（第一阶段）和共享分类器（第二阶段）构建，并在两个损失项中端到端训练，证明了我们的方法实现了目标并在两个大型 MI 数据集中优于所有方法，同时使用了更少的可训练参数，解决了多受试 EEG 数据集中的领域漂移问题，为无标定 BCI 系统铺平了道路。

Nov, 2022

本文提出了一种新方法，通过对多人和多类脑活动的原始脑电信号进行分析，利用不同类别的脑电数据差异来捕捉 EEG 信号的特征，并采用自动编码器模型自动地提取 EEG 信号的相关特征，从而提高 EEG 信号的释义能力和准确度， 进而解决智能家居和智能医疗领域中 EEG 信号处理的一些挑战。在公共数据集和本地数据集上，本文通过大量实验验证了该方法的高准确性，表现优于竞争对手最先进的 EEG 信号处理方法，并具有促进未来多人 EEG 识别研究的潜力。

Sep, 2017

我们提出了一种名为 Mutual-Cross-Attention（MCA）的新颖有效的特征融合机制，结合特殊定制的 3D 卷积神经网络（3D-CNN），该方法巧妙地发现了 EEG 数据中时域和频域特征之间的互补关系，并且通过新设计的 Channel-PSD-DE 3D 特征在 DEAP 数据集上获得了 99.49%（愉悦度）和 99.30%（唤醒度）的准确率。

Jun, 2024

通过使用 EEG 信号和 CNN 层，本文提出了一种易于实现的情感识别模型，使用 DENS 数据集进行评估，并在情感极性评分上达到 73.04％的准确性。

May, 2023