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

本研究聚焦于情感表达的情感识别，旨在基于脑电信号在无主体环境下进行。我们提出了一种新颖的框架，基于元学习的增强型领域自适应方法，通过情感无关的脑机接口，使用迁移学习和元学习的方法来有效解决领域的分布偏移问题，并实验表明该方法可以与最先进的领域自适应方法达到相似的性能水平，同时避免了对额外计算资源的需求。

Oct, 2023

本研究提出了一种基于变压器特征生成器的多源域适应方法（MSDA-TF），该方法通过捕获浅层空间、时间和频谱EEG数据表示的卷积层，以及自注意机制提取这些特征中的全局依赖关系，以解决不同主体之间的变化对传统深度学习算法在自动情感识别中的性能产生的影响问题。实验证明，MSDA-TF在SEED数据集上取得了有希望的结果。

Jan, 2024

本研究提出了一种新颖的联合对比学习框架与特征对齐模型（JCFA Model），用于解决跨语料库的基于脑电图（EEG）的情感识别问题。在两个主要阶段中，JCFA Model通过联合领域对比学习策略，在无需标记数据的情况下，提取每个EEG样本的稳健的基于时间和频率的嵌入，并将其在共享的潜在时间-频率空间中进行对齐。随后，在与下游任务结合时，通过考虑脑电图电极之间的结构连接，进一步提高了模型的能力，适用于情感的检测和解读。大量的实验结果表明，所提出的JCFA Model在两个公认的情感数据集上实现了最先进的性能，其在跨语料库的EEG情感识别任务中的平均准确率提高了4.09%。

Apr, 2024

提出一种名为Manifold-based Domain adaptation with Dynamic Distribution（MDDD）的新型非深度转移学习方法，通过优化Grassmann流形空间，动态对齐源域和目标域，结合分类器学习和集成学习模块提高情感解码的应用效果和实用性。

Apr, 2024

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

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。

Aug, 2024