本研究提出一种使用进化计算来选择有用的识别脑电特征并优化人工神经网络拓扑结构的新方法，同时探讨了深度学习和长短时记忆的调整，使用三个分类器对注意状态、情感和数字数据集进行比较，结果表明自适应提升的LSTM可以在注意力、情感和数字数据集上分别达到84.44%、97.06%和9.94%的准确度，进化优化的MLP趋近于自适应提升的LSTM。

Aug, 2019

本文从研究者的角度出发，综述了近期 EEG 情感识别研究的代表性成果，并提供教程以帮助研究者从零开始。介绍了 EEG 情感识别在心理和生理水平上的科学基础，将这些被综述的作品分类为不同的技术路线，并说明了理论基础和研究动机，最后讨论了现有的挑战和未来的研究方向。

Mar, 2022

本研究通过机器学习方法，对脑机接口的EEG信号进行分析，利用离散小波变换，重复神经网络和K最近邻算法等技术，将与积极、中立和消极情绪相关的EEG信号进行分类，其分类性能高达94.844％，相较于KNN算法的93.438％更加优越。

May, 2022

本文回顾了生理信号在情感识别中的作用，讨论了影响情感识别的数据方差、数据标注技术、数据预处理技术、数据拆分技术和多模态信息融合技术以及未来的发展方向。

May, 2022

本研究使用Resnet50作为基本模型和Mean Phase Coherence（MPC）和Magnitude Squared Coherence（MSC）的组合来识别情绪，结果表明该方法在情感分类方面很有前途。

Jun, 2023

通过使用 Gated Recurrent Unit (GRU) 算法，该研究检测了使用 EEG 信号来预测情绪状态的能力，结果表明该模型在验证集上达到了100%准确率，并且与其他机器学习技术相比，GRU 模型的极限梯度提升分类器具有最高的准确性，这项研究强调了类似GRU的深度学习模型在情绪识别中的潜力以及情感计算的进展，发现为与计算机交互和理解情绪如何通过脑电波活动表达提供了新的可能性。

Jul, 2023

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

通过开发图神经网络(GNN)在基于脑电图的情绪识别领域中的独特应用，研究综述了现有方法，并提供了构建GNN在基于脑电图情绪识别中的清晰指导，同时探讨了一些挑战和未来方向。

Feb, 2024

我们介绍了一种改进的增量学习算法，用于进化颗粒神经网络分类器（eGNN-C+）。我们使用双边界超立方体来表示颗粒，并自定义适应过程以增强外部边界对数据覆盖和噪声抑制的鲁棒性，同时确保内部边界保持灵活以捕捉漂移。分类器从头开始进化，即时融入新的类别，并进行局部增量特征加权。作为应用，我们专注于对脑电图（EEG）信号中与情绪相关的模式的分类。情绪识别对于增强计算机系统的逼真性和交互性至关重要。我们从28个参与玩电脑游戏的个体获得的EEG信号的傅立叶频谱中提取特征 - 这是一个公共数据集。每个游戏引发不同的主导情绪：无聊、平静、恐惧或喜悦。我们分析个体电极、时间窗口长度和频带，以评估用户无关的神经模型的准确性和可解释性。研究结果表明，两个大脑半球都有助于分类，尤其是颞叶（T8）和顶叶（P7）区域的电极，并且前额叶和枕叶电极也对分类有贡献。虽然模式可能表现在任何频带上，但阿尔法波（8-13Hz）、δ（1-4Hz）波和θ（4-8Hz）波以此顺序与情绪类别有更高的相关性。eGNN-C+在学习EEG数据方面表现出有效性。即使在高度随机的时间变化的4类分类问题面前，它在10秒时间窗口内达到了81.7%的准确性和0.0029 II的可解释性。

Feb, 2024

本研究解决了现有复杂情感识别系统（CERS）在捕捉细腻情感数据集时面临的挑战。通过结合生理信号（EEG和ECG）和深度学习方法，研究提供了对机器识别复杂情感的新见解。结果表明，这种方法显著提升了情感识别的准确性和系统的可靠性，为情感计算领域的进一步应用和发展奠定了基础。

Sep, 2024