通过Emotional Events数据集对EEG信号的情感事件进行分类，并使用CNN-LSTM混合层的分类模型，采用STFT进行特征提取，相比于长时间的EEG信号，精确观察情感信息可以提高情感认知的准确度
Oct, 2022
提出了一种基于分层混合模型的情感识别方法MACTN，该模型通过卷积神经网络(CNN)提取局部情感特征，通过transformer集成稀疏的全局情感特征，并利用通道注意机制识别最相关的通道，在实验中取得超过其他现有方法的分类准确度和F1分数，早期版本已赢得2022年世界机器人大赛情感BCI竞赛的决赛冠军。
May, 2023
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。
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
本研究通过使用SVM，KNN和RNN(LSTM)等算法，对DEAP数据集中的EEG信号进行分类和测试，以探究如何使用脑信号来改进情绪识别的性能，并进一步研究情绪随时间变化的规律。
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
将神经生理学的先前知识融入神经网络结构可提高情绪解码的性能。通过引入一种称为EmT的新型变压器模型，将EEG信号转换为时态图形式，并设计了一种用于学习时态上下文信息的模块，EmT在广义跨受试者EEG情绪分类和回归任务中表现出色。
Jun, 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
本研究针对缺乏系统性综述与教程的问题，探讨了基于EEG的情感识别中，脑区连接性所引发的情感模式依赖关系。文章提出了一种统一的图应用框架，系统分类了相关方法，并指出了该领域的若干开放挑战和未来研究方向，具有重要的潜在影响。
本研究解决了在聆听音乐时高效记录和分析高维脑电图（EEG）信号以识别情感状态的挑战。我们提出了一种结合双向长短时记忆（Bi-LSTM）网络和注意机制的EEG信号处理方法，实验结果显示该方法在情感识别任务中显著优于传统模型。研究成果为脑机接口（BCI）和情感计算的应用提供了可靠的技术支持。