本研究使用机器学习方法研究了情感识别过程中EEG的稳定模式，并对其在时间上的一致性进行了系统评估，结果显示稳定模式在不同session之间呈现出一致性，正面情绪比负面情绪更容易激活侧向颞区的beta和gamma波，中性情绪在顶部和枕部有更高的alpha波响应，而负面情绪在顶部和枕部有显著更高的delta波响应和前额部位更高的gamma波响应，因此神经模式在情感识别中是相对稳定的。

Jan, 2016

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

本文提出了基于多任务自监督学习的图形模型(GMSS)来进行EEG情感识别，该模型可以从多个自监督任务中学习出更通用的表示形式，包括空间和频率拼图任务以及对比学习任务，该模型在多项数据集上的表现均优于其他无监督和有监督的方法。

Apr, 2022

研究提出了一种基于局部时空模式学习图注意力网络(LTS-GAT)的情感识别技术，通过图注意力机制检测EEG模式的局部信息，添加动态域鉴别器来提高算法鲁棒性，在个体依赖和独立的情况下验证了算法的有效性，并采用可视化方法研究了大脑不同区域和情感之间的关系以及情感稀疏性问题。

Aug, 2022

我们引入了一个深度神经网络用于情感分类，通过混合的时空编码和循环注意网络块获取可解释的生理学表示，并应用图信号处理工具对原始数据进行预处理以在空间域中进行图平滑。我们证明了我们的架构在公开可用的DEAP数据集上超过了最先进的情感分类结果，并通过转移学习的方式在DREAMER和情感英语词（EEWD）数据集上提高了情感分类准确性。

Jul, 2023

基于多通道脑电图的自动情绪识别具有推进人机交互的巨大潜力，但现有算法情绪识别研究存在一些显著挑战，本研究通过引入基于图卷积网络体系结构的分布不确定性方法来解决这些挑战，实现了空间依赖性和时频相关性的表示，以及通过一种单向学习方式将不确定性学习方法与深层GCN权重相集成，结果表明我们的方法在情绪识别任务上优于之前的方法，取得了积极且显著的改进。

Oct, 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

本文提出了一种基于多视图图形变换器（MVGT）的方法，通过整合时域、频率域和空间域的信息（包括几何和解剖结构），并将电极的空间信息作为编码，从而全面提高模型的表达能力，与近年来的最新方法相比，在公开数据集上的实验结果证明了我们提出的模型的优越性，并且结果还表明MVGT能够有效地从多个领域中提取信息并捕捉EEG情感识别任务中的通道间关系。

Jul, 2024

本研究解决了缺乏对脑电图（EEG）情感识别关联图构建的综合回顾和教程的问题。文章提出了一种统一框架，系统评估了图相关方法，并分类整理。研究发现，利用图的应用可以有效捕捉情感表征的动态功能连接，推动该领域的进一步发展。

Aug, 2024

本研究解决了情感状态分类中预测准确性不足的问题，采用长短时记忆（LSTM）网络分析 EEG 信号以提高情感识别的准确度。通过在 DEAP 数据集上进行实验，研究成果显示情感参数状态分类的准确率显著提升，分别达到了 89.89%、90.33%、90.70% 和 90.54%。

Aug, 2024