基于脑电的情感识别

《基于脑电信号样本熵的情感识别》篇一一、引言情感识别作为人工智能领域的重要研究方向，已逐渐受到研究者的广泛关注。

脑电信号作为一种重要的生理信号，为情感识别提供了新的研究思路。

近年来，基于脑电信号样本熵的情感识别方法逐渐成为研究热点。

本文旨在探讨基于脑电信号样本熵的情感识别方法，并分析其在实际应用中的效果。

二、脑电信号与情感识别脑电信号是一种记录大脑活动的电信号，反映了大脑的生理状态和活动模式。

情感是人类的基本心理活动，具有复杂性和多维度性。

近年来，研究者们通过研究脑电信号与情感的关系，发现二者之间存在着密切的联系。

通过分析脑电信号的时域、频域和空间分布特征，可以实现对情感的识别。

三、样本熵理论及其在情感识别中的应用样本熵是一种衡量时间序列复杂性的指标，它基于时间序列的自相似性和复杂度进行分析。

在情感识别中，通过提取脑电信号的样本熵特征，可以有效地反映大脑在处理不同情感时的活动状态。

此外，样本熵具有计算简单、抗干扰能力强等优点，使得其在情感识别中具有较好的应用前景。

四、基于脑电信号样本熵的情感识别方法本文提出了一种基于脑电信号样本熵的情感识别方法。

首先，通过采集被试在不同情感状态下的脑电信号数据，提取出样本熵特征。

然后，利用机器学习算法对提取的样本熵特征进行分类和识别。

最后，通过对比不同情感状态下样本熵的差异，实现对情感的识别。

五、实验结果与分析为验证本文提出的情感识别方法的可行性，我们进行了大量的实验。

实验结果表明，基于脑电信号样本熵的情感识别方法具有良好的识别效果。

通过对不同情感状态下样本熵的对比分析，我们发现不同情感在脑电信号样本熵上具有明显的差异，这为情感识别提供了有力的依据。

此外，我们还发现机器学习算法在处理脑电信号样本熵特征时具有较高的分类准确率，进一步证明了本文提出的方法的有效性。

六、结论与展望本文提出了一种基于脑电信号样本熵的情感识别方法，并取得了良好的实验结果。

该方法通过提取脑电信号的样本熵特征，实现了对不同情感的识别。

《基于迁移学习的脑电情感识别研究》篇一一、引言情感识别在人工智能领域具有重大意义，它不仅能够加深人与机器的交流和理解，而且还可以用于健康管理，尤其是脑电信号的识别和分析。

在各种情绪下，人类的脑电活动都会发生特定的变化，这些变化为情感识别提供了基础。

近年来，基于脑电信号的情感识别技术发展迅速，尤其是在迁移学习等新技术的引入下，脑电情感识别的准确率得到了显著提高。

本文将详细介绍基于迁移学习的脑电情感识别研究。

二、研究背景随着人工智能和神经科学的深入发展，脑电情感识别技术越来越受到关注。

脑电信号是一种重要的生理信号，它能够反映人的情感状态。

然而，由于个体差异、环境干扰等因素的影响，脑电信号的识别和分析一直是一个挑战。

近年来，迁移学习等新技术的引入为这一领域带来了新的突破。

三、迁移学习在脑电情感识别中的应用迁移学习是一种有效的机器学习方法，它通过在源领域的知识学习来提高目标领域的性能。

在脑电情感识别中，迁移学习可以通过利用已有的知识库（如公共数据集）来提高对特定个体或特定情境下的脑电信号的识别能力。

具体来说，我们可以先在公共数据集上训练一个预训练模型，然后将其迁移到具体的脑电情感识别任务中。

这样可以在一定程度上克服个体差异和环境干扰的影响，提高识别准确率。

四、研究方法本文提出了一种基于迁移学习的脑电情感识别方法。

首先，我们选取了一个公共的脑电信号数据集作为源领域进行预训练。

在这个数据集中，我们使用深度学习技术构建了一个卷积神经网络模型（CNN）。

然后，我们将该模型迁移到具体的情感识别任务中。

为了更好地适应目标领域的特性，我们对模型进行了微调（fine-tuning），以实现最佳的识别效果。

此外，我们还使用了数据增强技术来增加模型的泛化能力。

五、实验结果与分析我们在多个实验中验证了基于迁移学习的脑电情感识别的有效性。

实验结果表明，通过迁移学习和模型微调，我们可以在一定程度上提高脑电情感识别的准确率。

此外，我们还发现数据增强技术可以有效地提高模型的泛化能力。

基于脑电信号的情绪识别技术近年来，人工智能领域发展迅速，基于脑电信号的情绪识别技术也受到越来越多的关注。

这项技术可将脑电信号转化为情绪状态，用来监控和调节人们的情绪。

一些研究人员认为，这将会在未来的医学和情感治疗方面起到重要作用。

基于脑电信号的情绪识别技术是基于脑波的分析和处理，它可以分析大脑神经元之间的电信号，以确定一个人当前的情绪状态。

这项技术使用脑电图记录大脑产生的电信号，并将这些信息转化为不同的情绪状态，例如高兴、悲伤、愤怒等。

最初，这项技术被用于治疗心理障碍。

在一些试验性研究中，参与者被要求感知和适应其情绪，并通过反馈机制获得帮助。

例如，如果一个人的情绪是愤怒，那么系统会发出声音或震动，以帮助他/她自我调节情绪状态。

一些研究人员认为，这种反馈机制可以帮助那些患有情感障碍的人回到健康的情绪状态。

除了精神健康方面的应用，基于脑电信号的情绪识别技术也可以用于生理测量方面。

例如，在医疗领域中，该技术可以帮助医生了解病人的情绪状态，以便更好地制定治疗计划。

同时，在体育和娱乐领域中，这项技术可以用于检测运动员的情绪状态，以提高他们的表现和状态调整。

然而，这项技术在实际应用领域仍存在挑战。

主要挑战是如何将情绪识别技术与实际反馈机制整合在一起。

为了成功治疗和调节，反馈机制必须在情绪状态运营模式中设定正确的模式，并相应地调节情绪状态。

另外，对于一些敏感人群，例如患有心理障碍的人，必须保证识别和调整情绪状态的准确性和安全性。

总之，基于脑电信号的情绪识别技术是一项备受关注的技术。

它有望在医疗、心理治疗和生理测量等领域产生重大影响。

然而，它的实际应用面临着挑战。

我们需要进一步研究和发展可靠的反馈机制，以便将这项技术更好地融入到人们的生活中。

《基于脑电信号样本熵的情感识别》篇一一、引言情感识别是人工智能领域的一个重要研究课题，尤其在人机交互、心理健康评估、医学诊断等领域有着广泛的应用前景。

近年来，随着神经科学技术的发展，基于脑电信号（EEG）的情感识别方法越来越受到关注。

脑电信号是反映大脑活动的关键指标，能够有效地捕捉到人们在特定情绪状态下的脑电信号变化。

样本熵作为一种复杂的生物信号特征提取工具，其在情感识别领域的应用，已成为一个新的研究方向。

二、脑电信号与情感识别脑电信号是一种非线性的、复杂的生物信号，其中包含了丰富的关于人的情绪、认知等神经活动的信息。

基于脑电信号的情感识别主要通过对大脑皮层不同区域的信号进行采集和分析，从而实现对情感的识别和分类。

然而，由于脑电信号的复杂性和非线性，如何有效地提取和解析其中的情感信息成为了该领域的一大挑战。

三、样本熵的概念与特性样本熵（Sample Entropy）是一种基于时间序列的复杂度度量方法，它被广泛应用于生物信号的复杂度分析中。

样本熵通过计算时间序列的序列复杂性来评估其复杂性程度，其优点在于对噪声和微小变化的敏感性较低，可以有效地反映时间序列的内在特征。

在情感识别中，样本熵可以用于提取脑电信号的复杂度特征，从而实现对情感的准确识别。

四、基于样本熵的脑电信号情感识别方法基于样本熵的脑电信号情感识别方法主要包括以下几个步骤：首先，通过脑电波帽等设备采集不同情感状态下的脑电信号；其次，对采集到的脑电信号进行预处理，包括滤波、去噪等操作；然后，利用样本熵算法对预处理后的脑电信号进行复杂度特征提取；最后，通过机器学习算法对提取出的特征进行分类和识别。

在具体的实施过程中，我们需要选择合适的脑电信号采集设备和数据处理方法，以获取高质量的脑电信号数据。

在特征提取阶段，我们可以通过调整样本熵算法的参数来优化特征提取的效果。

在分类和识别阶段，我们可以选择适合的机器学习算法和模型来进行训练和测试。

五、实验结果与分析我们通过实验验证了基于样本熵的脑电信号情感识别的有效性。

《基于脑区注意力机制的多特征融合1DCNN的EEG情感识别研究》篇一一、引言随着人工智能和神经科学的快速发展，情感识别已成为人机交互、心理诊断和神经科学等领域的重要研究课题。

脑电图（EEG）作为神经电信号的一种记录方式，是情感识别研究的关键数据来源。

传统的EEG情感识别方法往往基于脑区注意力机制和信号特征提取技术，然而在处理复杂情感数据时仍面临诸多挑战。

近年来，深度学习技术的兴起为EEG情感识别提供了新的思路。

本文提出了一种基于脑区注意力机制的多特征融合一维卷积神经网络（1DCNN）的EEG情感识别方法，以期在复杂情感数据的处理中取得更好的效果。

二、相关研究综述近年来，EEG情感识别的研究取得了显著进展。

早期的研究主要关注于特定脑区的信号变化与情感状态的关系，如前额叶、颞叶等。

随着深度学习技术的发展，越来越多的研究者开始尝试利用深度神经网络对EEG信号进行自动特征提取和情感识别。

然而，目前的研究仍存在一些挑战，如数据获取难度大、噪声干扰等。

为了解决这些问题，本文提出了一种基于脑区注意力机制和多特征融合的EEG情感识别方法。

三、方法与技术1. 脑区注意力机制本文采用脑区注意力机制来分析不同脑区在情感产生过程中的作用。

通过对不同脑区的信号进行加权处理，可以更好地捕捉与情感相关的关键信息。

2. 多特征融合为了充分利用EEG信号中的多种特征信息，本文提出了一种多特征融合的方法。

通过将多种特征（如时域特征、频域特征等）进行融合，可以提高模型的表达能力。

3. 一维卷积神经网络（1DCNN）一维卷积神经网络（1DCNN）是一种适用于处理序列数据的神经网络结构。

本文采用1DCNN对EEG信号进行自动特征提取和情感识别。

通过构建多层卷积层和池化层，可以有效地提取EEG信号中的关键特征。

四、实验与结果分析1. 数据集与预处理本文采用公开的EEG情感数据集进行实验。

在数据预处理阶段，我们对EEG信号进行了滤波、去噪等操作，以提高数据质量。

基于深度学习的多模态脑电信号情感识别基于深度学习的多模态脑电信号情感识别随着人工智能技术的不断发展，情感识别在生活中的应用越来越广泛。

尤其是基于深度学习的多模态脑电信号情感识别技术的出现，为我们理解人类情感认知提供了新的途径。

本文将介绍基于深度学习的多模态脑电信号情感识别的原理、方法和应用。

首先，我们需要了解什么是脑电信号。

脑电信号是指人脑神经元活动产生的微弱电信号。

它可以通过将电极放置在头皮表面来测量。

脑电信号的波形和频谱反映了人的认知和情感状态。

情感识别是指通过分析脑电信号的特征来判断人的情感状态，如愤怒、快乐、厌恶等。

传统的脑电信号情感识别方法主要是基于人工设计的特征提取和分类算法。

这种方法需要对脑电信号进行预处理、特征提取和分类，过程繁琐且依赖于专业知识。

而基于深度学习的多模态脑电信号情感识别技术可以通过自动学习脑电信号的特征和情感之间的关系，实现自动化的情感识别。

多模态脑电信号情感识别是指将脑电信号与其他模态数据（如面部表情、心率、声音等）相结合，通过多模态数据的融合来提高情感识别的准确性和鲁棒性。

在多模态数据融合的过程中，深度学习模型可以学习到不同模态数据之间的复杂关系，从而提高情感识别的性能。

多模态脑电信号情感识别的关键是如何将脑电信号与其他模态数据相融合。

一种常用的方法是使用卷积神经网络（CNN）或循环神经网络（RNN）对脑电信号进行特征提取，然后将其他模态数据与脑电信号的特征进行融合，在进行情感识别任务。

深度学习模型可以从大量的数据中学习到融合过程中不同模态数据的权重分配，从而提高情感识别的准确性。

多模态脑电信号情感识别技术在许多领域都有广泛的应用。

例如，它可以用于情感监测系统，帮助人们识别他人的情感状态，从而更好地与人进行交流。

此外，它还可以用于心理健康辅助诊断系统，帮助心理医生更好地了解患者的情感状态，为患者提供更准确的治疗方案。

此外，多模态脑电信号情感识别还可以应用于虚拟现实游戏和教育系统，使其能够根据用户的情感状态实时调整内容和难度。

※基于脑电信号的情感识别方法论证随着人工智能和机器学习技术的快速发展，情感识别的研究越来越受到重视。

而基于脑电信号的情感识别方法是一种热门的研究方向，具有很大的潜力和广阔的应用前景。

首先，我们需要明确情感识别的定义。

情感是人们情绪状态的一种体验，通常通过面部表情、声音、体温等多种方式来表达。

而脑电信号是人们在感受和表达情感时，脑神经活动所产生的电信号。

基于脑电信号的情感识别方法，就是通过分析和理解这些信号来推断和识别人们的情感状态。

为了论证这种方法的可行性，我们可以从以下几个方面来探讨。

首先是数据收集和处理。

要进行基于脑电信号的情感识别，首先需要进行脑电信号的采集。

这可以通过佩戴脑电图仪器来完成，这种仪器可以监测到大脑的电活动情况。

收集到的脑电信号数据需要进行预处理工作，包括去除噪声、滤波、去除眼电等，以确保数据的准确性和可靠性。

其次是特征提取和选择。

脑电信号数据通常是高维度的，所以需要从中提取出能够反映情感状态的重要特征。

这可以通过一系列的特征提取算法来实现，如时域特征、频域特征、时频域特征等。

然后通过特征选择算法筛选出最相关的特征，减少冗余信息，提高模型效果。

接下来是模型建立和训练。

在确定了适合的特征之后，我们需要选择合适的建模方法来构建情感识别模型。

常用的方法包括支持向量机、神经网络、贝叶斯分类器等。

这些模型可以通过机器学习算法进行训练，根据已有的脑电信号数据和对应的情感标签进行学习和模型调整，以提高模型的准确性和泛化能力。

最后是模型评估和应用。

为了评估基于脑电信号的情感识别方法的有效性和可行性，我们需要使用独立的测试数据对模型进行评估。

这些测试数据应该包含不同情感状态下的脑电信号，以确保模型的泛化能力。

评估指标可以包括准确率、召回率、F1值等。

经过充分的评估和调整后，我们可以将该方法应用到不同领域的情感识别任务中，如智能客服、心理健康监测等。

基于脑电信号的情感识别方法具有许多优势和潜力。

————————————————————————————————————————————————基于脑电信号的情感识别研究作者张家瑞，王刚机构空军工程大学防空反导学院DOI 10.3969/j.issn.1001-3695.2018.05.0295预排期卷《计算机应用研究》2019年第36卷第11期摘要针对如何提高脑电信号情感识别的正确率这一问题，在得到的原始脑电信号进行分频带特征提取后，一方面采用支持向量机、K近邻算法、朴素贝叶斯和神经网络算法对小波熵、近似熵、功率谱密度、微分熵，进行训练和分类学习；另一方面，基于4种不同的电极放置方式，对微分熵特征采用支持向量机和经遗传算法参数寻优的支持向量机算法进行训练。

结果显示，在12通道条件下能够得到91.99%的总体准确率，最高情感识别准确率已经达到97.59%。

研究结果表明，减少电极可以获得较高的情感识别分类结果，并且采用参数寻优后的支持向量机算法能够有效提升准确率。

关键词脑电信号；情感识别；微分熵；通道选择；遗传算法作者简介张家瑞（1995-），男，陕西咸阳人，硕士研究生，主要研究方向为智能信息处理､智能指控系统（513706039@）；王刚（1975-），男，山东青州人，教授，博士，主要研究方向为机器学习､信息融合､指挥控制系统等．中图分类号TP391.4访问地址/article/02-2019-11-020.html投稿日期2018年5月7日修回日期2018年6月25日发布日期2018年8月10日引用格式张家瑞, 王刚. 基于脑电信号的情感识别研究[J/OL]. 2019, 36(11). [2018-08-10]./article/02-2019-11-020.html.第36卷第11期 计算机应用研究V ol. 36 No. 11 优先出版Application Research of ComputersOnline Publication——————————收稿日期：2018-05-07；修回日期：2018-06-25作者简介：张家瑞（1995-），男，陕西咸阳人，硕士研究生，主要研究方向为智能信息处理､智能指控系统（513706039@ ）；王刚（1975-），男，基于脑电信号的情感识别研究张家瑞，王 刚(空军工程大学 防空反导学院, 西安 710051)摘 要：针对如何提高脑电信号情感识别的正确率这一问题，在得到的原始脑电信号进行分频带特征提取后，一方面采用支持向量机、K 近邻算法、朴素贝叶斯和神经网络算法对小波熵、近似熵、功率谱密度、微分熵，进行训练和分类学习；另一方面，基于4种不同的电极放置方式，对微分熵特征采用支持向量机和经遗传算法参数寻优的支持向量机算法进行训练。

第４３卷㊀第２期２０２４年㊀４月北京生物医学工程ＢｅｉｊｉｎｇＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＶｏｌ ４３㊀Ｎｏ ２Ａｐｒｉｌ㊀２０２４基金项目：山东省自然科学基金（ＺＲ２０２２ＭＨ２０３）㊁山东省研究生教育质量提升计划（ＳＤＹＡＬ１８０３０）资助作者单位：山东中医药大学智能与信息工程学院（济南㊀２５０３５５）通信作者：李延军㊂Ｅ⁃ｍａｉｌ：ｌｉｙａｎｊｕｎ５０３＠ｓｉｎａ ｃｏｍ脑电信号情绪识别关键技术研究进展彭磊㊀魏国辉㊀马志庆㊀冯今瑀㊀李延军摘㊀要㊀随着人机交互技术的不断进步和广泛应用，对用户情绪的准确识别变得日益重要㊂情绪识别技术已经在多个领域展现出巨大潜力，包括医疗诊断㊁交通安全和教育等方面㊂而基于脑电的情绪识别成为了情绪识别领域中的热门研究方向㊂首先，本文介绍情绪连续和情绪离散模型的基本概念，总结常用的脑电公开数据集，并对数据集的规模㊁情绪标签以及它们对脑电情绪识别任务的影响进行了比较分析㊂其次，因为不同频带和脑电通道对于情绪识别的影响各不相同，课题组汇总脑电情绪识别关键频带和通道的相关研究，并从文献中总结归纳出脑电情绪识别的关键频带范围以及具有丰富情绪信息的脑电通道位置㊂接着，介绍四类脑电情绪特征且给出对应的特征提取方法，也指出各种脑电特征的提取难度和目前在情绪识别中的应用效果㊂然后，对基于深度学习的脑电情绪识别中的数据增强技术和注意力机制进行了阐述，指出数据增强技术的主流趋势和生成的人工情绪特征的类型，对各种注意力机制的作用方式和侧重点进行了对比分析㊂数据增强技术用来解决脑电数据量不足的问题，注意力机制则对情绪识别准确率的提高起到了关键作用㊂最后，对未来脑电情绪识别模型的通用性和脑电采集设备的研究方向做了一定的展望㊂关键词㊀情绪识别；脑电信号；深度学习；数据增强；注意力机制ＤＯＩ：１０ ３９６９／ｊ．ｉｓｓｎ．１００２－３２０８ ２０２４ ０２ ０１５．中图分类号㊀Ｒ３１８ ０４㊀㊀文献标志码㊀Ａ㊀㊀文章编号㊀１００２－３２０８（２０２４）０２－０２１１－０７本文著录格式㊀彭磊，魏国辉，马志庆，等．脑电信号情绪识别关键技术研究进展［Ｊ］．北京生物医学工程，２０２４，４３（２）：２１１－２１７．ＰＥＮＧＬｅｉ，ＷＥＩＧｕｏｈｕｉ，ＭＡＺｈｉｑｉｎｇ，ｅｔａｌ．ＲｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｏｎｋｅｙｔｅｃｈｎｏｌｏｇｉｅｓｆｏｒｅｍｏｔｉｏｎａｌｒｅｃｏｇｎｉｔｉｏｎｏｆＥＥＧｓｉｇｎａｌｓ［Ｊ］．ＢｅｉｊｉｎｇＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０２４，４３（２）：２１１－２１７．ＲｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｏｎｋｅｙｔｅｃｈｎｏｌｏｇｉｅｓｆｏｒｅｍｏｔｉｏｎａｌｒｅｃｏｇｎｉｔｉｏｎｏｆＥＥＧｓｉｇｎａｌｓＰＥＮＧＬｅｉ，ＷＥＩＧｕｏｈｕｉ，ＭＡＺｈｉｑｉｎｇ，ＦＥＮＧＪｉｎｙｕ，ＬＩＹａｎｊｕｎＣｏｌｌｅｇｅｏｆＩｎｔｅｌｌｉｇｅｎｃｅａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｒａｄｉｔｉｏｎａｌＣｈｉｎｅｓｅＭｅｄｉｃｉｎｅ，Ｊｉｎａｎ㊀２５０３５５Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ：ＬＩＹａｎｊｕｎ（Ｅ⁃ｍａｉｌ：ｌｉｙａｎｊｕｎ５０３＠ｓｉｎａ ｃｏｍ）ʌＡｂｓｔｒａｃｔɔ㊀Ｗｉｔｈｔｈｅｃｏｎｔｉｎｕｏｕｓｐｒｏｇｒｅｓｓａｎｄｗｉｄｅｓｐｒｅａｄａｐｐｌｉｃａｔｉｏｎｏｆｈｕｍａｎ⁃ｃｏｍｐｕｔｅｒｉｎｔｅｒａｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙ，ａｃｃｕｒａｔｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｕｓｅｒｅｍｏｔｉｏｎｓｈａｓｂｅｃｏｍｅｉｎｃｒｅａｓｉｎｇｌｙｉｍｐｏｒｔａｎｔ．Ｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙｈａｓｓｈｏｗｎｇｒｅａｔｐｏｔｅｎｔｉａｌｉｎｍｕｌｔｉｐｌｅｆｉｅｌｄｓ，ｉｎｃｌｕｄｉｎｇｍｅｄｉｃａｌｄｉａｇｎｏｓｉｓ，ｔｒａｆｆｉｃｓａｆｅｔｙ，ａｎｄｅｄｕｃａｔｉｏｎ．ＡｎｄｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎＥＥＧｈａｓｂｅｃｏｍｅａｐｏｐｕｌａｒｒｅｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｉｎｔｈｅｆｉｅｌｄｏｆｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ．Ｆｉｒｓｔｌｙ，ｔｈｉｓａｒｔｉｃｌｅｉｎｔｒｏｄｕｃｅｓｔｈｅｂａｓｉｃｃｏｎｃｅｐｔｓｏｆｃｏｎｔｉｎｕｏｕｓａｎｄｄｉｓｃｒｅｔｅｅｍｏｔｉｏｎａｌｍｏｄｅｌｓ，ｓｕｍｍａｒｉｚｅｓｃｏｍｍｏｎｌｙｕｓｅｄＥＥＧｐｕｂｌｉｃｄａｔａｓｅｔｓ，ａｎｄｃｏｍｐａｒｅｓａｎｄａｎａｌｙｚｅｓｔｈｅｓｉｚｅｏｆｄａｔａｓｅｔｓ，ｅｍｏｔｉｏｎａｌｌａｂｅｌｓ，ａｎｄｔｈｅｉｒｉｍｐａｃｔｏｎＥＥＧｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｔａｓｋｓ．Ｓｅｃｏｎｄｌｙ，ｂｅｃａｕｓｅｔｈｅｉｍｐａｃｔｏｆｄｉｆｆｅｒｅｎｔｆｒｅｑｕｅｎｃｙｂａｎｄｓａｎｄＥＥＧｃｈａｎｎｅｌｓｏｎｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｖａｒｉｅｓ，ｗｅｓｕｍｍａｒｉｚｅｒｅｌｅｖａｎｔｒｅｓｅａｒｃｈｏｎｋｅｙｆｒｅｑｕｅｎｃｙｂａｎｄｓａｎｄｃｈａｎｎｅｌｓｏｆＥＥＧｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ，ａｎｄｓｕｍｍａｒｉｚｅｔｈｅｋｅｙｆｒｅｑｕｅｎｃｙｂａｎｄｒａｎｇｅｏｆＥＥＧｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎａｎｄｔｈｅｌｏｃａｔｉｏｎｏｆＥＥＧｃｈａｎｎｅｌｓｗｉｔｈｒｉｃｈｅｍｏｔｉｏｎａｌｉｎｆｏｒｍａｔｉｏｎｆｒｏｍｔｈｅｌｉｔｅｒａｔｕｒｅ．Ｎｅｘｔ，ｗｅｉｎｔｒｏｄｕｃｅｆｏｕｒｔｙｐｅｓｏｆＥＥＧｅｍｏｔｉｏｎａｌｆｅａｔｕｒｅｓａｎｄｐｒｏｖｉｄｅｃｏｒｒｅｓｐｏｎｄｉｎｇｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｓ．ＩｔａｌｓｏｐｏｉｎｔｓｏｕｔｔｈｅｄｉｆｆｉｃｕｌｔｙｏｆｅｘｔｒａｃｔｉｎｇｖａｒｉｏｕｓＥＥＧｆｅａｔｕｒｅｓａｎｄｔｈｅｉｒｃｕｒｒｅｎｔａｐｐｌｉｃａｔｉｏｎｅｆｆｅｃｔｓｉｎｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ．Ｔｈｅｎ，ｔｈｅｄａｔａａｕｇｍｅｎｔａｔｉｏｎｔｅｃｈｎｏｌｏｇｙａｎｄａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｉｎｄｅｅｐｌｅａｒｎｉｎｇｂａｓｅｄＥＥＧｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎａｒｅｅｌａｂｏｒａｔｅｄ，ｐｏｉｎｔｉｎｇｏｕｔｔｈｅｍａｉｎｓｔｒｅａｍｔｒｅｎｄｓｏｆｄａｔａａｕｇｍｅｎｔａｔｉｏｎｔｅｃｈｎｏｌｏｇｙａｎｄｔｈｅｔｙｐｅｓｏｆａｒｔｉｆｉｃｉａｌｅｍｏｔｉｏｎｆｅａｔｕｒｅｓｇｅｎｅｒａｔｅｄ．Ａｃｏｍｐａｒａｔｉｖｅａｎａｌｙｓｉｓｉｓｃｏｎｄｕｃｔｅｄｏｎｔｈｅｗａｙｓａｎｄｆｏｃｕｓｅｓｏｆｖａｒｉｏｕｓａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｓ．ＤａｔａａｕｇｍｅｎｔａｔｉｏｎｔｅｃｈｎｏｌｏｇｙｉｓｕｓｅｄｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｉｎｓｕｆｆｉｃｉｅｎｔＥＥＧｄａｔａ，ａｎｄａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｐｌａｙｓａｋｅｙｒｏｌｅｉｎｉｍｐｒｏｖｉｎｇｔｈｅａｃｃｕｒａｃｙｏｆｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ．Ｆｉｎａｌｌｙ，ｃｅｒｔａｉｎｐｒｏｓｐｅｃｔｓａｒｅｍａｄｅｆｏｒｔｈｅｕｎｉｖｅｒｓａｌｉｔｙｏｆｆｕｔｕｒｅＥＥＧｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｍｏｄｅｌｓａｎｄｔｈｅｒｅｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｏｆＥＥＧａｃｑｕｉｓｉｔｉｏｎｄｅｖｉｃｅｓ．ʌＫｅｙｗｏｒｄｓɔ㊀ｅｍｏｔｉｏｎａｌｒｅｃｏｇｎｉｔｉｏｎ；ＥＥＧｓｉｇｎａｌ；ｄｅｅｐｌｅａｒｎｉｎｇ；ｄａｔａａｕｇｍｅｎｔａｔｉｏｎ；ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ图１㊀三种ＥＥＧ情绪识别流程Ｆｉｇｕｒｅ１㊀ＴｈｒｅｅＥＥＧｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｐｒｏｃｅｓｓｅｓ０㊀引言基于生理信号的情绪识别技术是实现人机交互智能化的关键技术㊂而脑电信号（ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ，ＥＥＧ）在众多生理信号中与情绪的相关性较高，且不易伪装，具有客观性和真实性［１］，故采用ＥＥＧ数据进行研究能够取得更为准确和真实的情绪识别效果㊂常见的情绪识别的流程图可分为三种，如图１所示㊂完整的ＥＥＧ情绪识别流程如图中第１行所示㊂由于采集ＥＥＧ数据的实验条件要求较高，许多研究者采用公开的ＥＥＧ数据集进行情绪识别研究㊂而公开数据集在进行ＥＥＧ数据采集时就已经去除了一些常见的干扰信号，故研究者在没有特殊要求时无需再对数据进行预处理操作，此类情绪识别流程如图中第２行所示㊂近年来，伴随着情绪识别算法的不断提出，有的研究者直接将数据输入到模型当中，利用模型自动提取ＥＥＧ数据的深层情绪特征并进行情绪分类㊂这种方法被称为端到端ＥＥＧ情绪识别，此类情绪识别流程如图中第３行所示㊂本文的主要贡献如下㊂（１）对ＥＥＧ关键频带和通道文献进行总结，并提出用于ＥＥＧ情绪识别的优势频带和通道㊂（２）对ＥＥＧ数据增强技术进行归纳，简述ＥＥＧ数据增强技术的发展㊂（３）对注意力机制应用于ＥＥＧ情绪识别任务的相关文献进行整理，简述各类注意力机制的作用方式和侧重点，并提出通用型注意力机制的设想㊂１㊀情绪模型人的内在情绪状态可以通过观察个人的生理信号和外部表达来获取［２］㊂想要识别情绪，就必须将情绪进行数学量化，只有将情绪划分为细致的数学模型，才能实现情绪的识别㊂较为常用的模型分为情绪离散模型和情绪连续模型㊂情绪离散模型将人的情绪分为几种基本情绪，其他情绪都是基本情绪的混合㊂Ｅｋｍａｎ等［３］提出快乐㊁愤怒㊁悲伤㊁厌恶㊁恐惧㊁惊讶为６种基本情绪，在许多国家的文化中普遍被人们所认知㊂Ｐｌｕｔｃｈｉｋ［４］提出可以将情绪用色轮的方式概念化，将情绪比作一种颜色，其他情绪是由基本情绪混合而成的㊂情绪连续模型则是将情绪视为情绪基本维度的组合㊂在情绪识别领域中应用最为广泛的当属Ｒｕｓｓｅｌｌ［５］提出的效价－唤醒（ｖａｌｅｎｃｅ⁃ａｒｏｕｓａｌ）情绪模型，横轴效价也可称之为快乐维度，表示情绪愉悦程度，纵轴唤醒表示情绪强烈程度，两种维度的组合来描述人的各种情绪㊂二维情绪模型如图２二维情绪模型所示㊂㊃２１２㊃北京生物医学工程㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４３卷图２㊀二维情绪模型Ｆｉｇｕｒｅ２㊀Ｔｗｏ⁃ｄｉｍｅｎｓｉｏｎａｌｅｍｏｔｉｏｎａｌｍｏｄｅｌ２㊀ＥＥＧ公开数据集２ １㊀常用数据集介绍在脑电情绪识别领域应用最为广泛的则是Ｋｏｅｌｓｔｒａ等［６］提出名为ＤＥＡＰ的多模态数据集，其中的ＥＥＧ数据是进行基于脑电的情绪识别研究的重要数据㊂每个样本数据长６３ｓ，其中包含了３ｓ的基线时间㊂脑电数据分为两个数组，ｄａｔａ为４０（实验次数）ˑ４０（通道数）ˑ８０６４（６３ˑ１２８）的三维数组，ｌａｂｅｌ为４０ˑ４的二维数组㊂由于脑电情绪诱发实验开展困难，目前脑电情绪识别领域的公开数据集较少，常用公开数据集总结归纳表如表１所示㊂表１㊀常用公开数据集总结归纳表Ｔａｂｌｅ１㊀Ｓｕｍｍａｒｙｔａｂｌｅｏｆｃｏｍｍｏｎｌｙｕｓｅｄｐｕｂｌｉｃｄａｔａｓｅｔｓ参考文献数据库名称受试者数量通道数情绪标签Ｋｏｅｌｓｔｒａ等［６］ＤＥＡＰ３２４０唤醒㊁效价㊁支配㊁喜好Ｓｏｌｅｙｍａｎｉ等［７］ＭＡＨＮＯＢ⁃ＨＣＩ２７３２唤醒㊁效价㊁支配Ｚｈｅｎｇ等［８］ＳＥＥＤ１５６２积极㊁中性㊁消极Ｋａｔｓｉｇｉａｎｎｉｓ等［９］ＤＲＥＡＭＥＲ２３少量通道效价㊁唤醒㊁支配Ｓｏｎｇ等［１０］ＭＰＥＤ２３６２快乐㊁有趣㊁愤怒㊁恐惧等２ ２㊀数据集对比在上述的几种数据集中，ＥＥＧ数据量规模最大的是ＤＥＡＰ数据集，ＳＥＥＤ数据量居中，ＭＡＨＮＯＢ⁃ＨＣＩ数据集㊁ＤＲＥＡＭＥＲ数据集和ＭＰＥＤ数据集的数据量相对较小，这可能限制一些模型的情绪识别效果㊂其中ＤＥＡＰ㊁ＭＡＨＮＯＢ⁃ＨＣＩ和ＤＲＥＡＭＥＲ数据集的数据标签都具有效价和唤醒维度的数值记录，这有利于模型性能的验证工作，并容易确定受试者情绪在二维情绪模型中的位置㊂ＳＥＥＤ和ＭＰＥＤ数据集采用离散情绪标签，不利于确定受试者在二维情绪模型上的位置㊂３㊀基于ＥＥＧ情绪识别的关键频带和通道ＥＥＧ采集电极放置一般采用１０－２０电极放置系统，为了寻找最适合用于情感识别的脑电信号频带和通道，研究者们对ＥＥＧ频带和通道进行了大量实验㊂Ｙａｎｇ等［１１］的实验分类结果表明，高γ（３０１００Ｈｚ）带特征在情感识别中更有效，所提出的融合特征在公共数据集的高γ波段中获得了最高的分类精度㊂Ｖａｌｅｎｚｉ等［１２］使用３２通道脑电信号中的８个通道的脑电数据进行情绪识别，仍然实现了８７ ５％的平均情绪分类率㊂Ｚｈｅｎｇ等［１３］通过深度信念网络从多通道脑电信号中提取微分熵特征来进行情感识别，分析训练完成后的深度信念网络的权值分布，利用１２个通道脑电信号就实现了利用６４个通道脑电数据才能达到的识别准确率㊂Ｗａｎｇ等［１４］使用归一化互信息方法选择脑电３２通道的最优子集，可以使ＥＥＧ情绪识别在大幅减少ＥＥＧ通道的同时获得更高的准确率㊂近年来ＥＥＧ关键频带和通道文献总结如表２所示㊂从表２中可以看出脑电信号的情绪信息主要集中在β（１３ ３０Ｈｚ）和γ频段，且在γ频段更加集中㊂其他频段所包含的情绪信息相对来说较为稀少㊂根据表中ＥＥＧ情绪识别研究的通道统计和１０－２０系统图对照，发现大脑额叶区与颞叶区的ＥＥＧ数据具有更多的情绪信息，隐藏着更多的情绪特征㊂建议多采用额叶区与颞叶区的ＥＥＧ通道数据用于情绪识别研究，这有利于情绪识别技术的现实应用，实际设备应只需少量通道数据就能实现高准确率的情绪识别㊂４㊀ＥＥＧ四类情绪特征介绍４ １㊀时域特征波幅㊁标准差㊁均方根等均是ＥＥＧ的时域特征，可用统计方法提取此类特征㊂此方法操作简单，结㊃３１２㊃第２期㊀㊀㊀㊀㊀㊀彭磊，等：脑电信号情绪识别关键技术研究进展果清晰直观，但是由于脑电信号是一种非线性非稳态的信号，使用时域特征会加大后期特征识别的难度，现在脑电信号的时域特征多作为辅助手段应用在脑电情绪识别领域㊂Ｗａｇｈ等［２２］从脑电信号中提取出了方差㊁标准偏差㊁峰度㊁偏度等时域特征进行情绪识别㊂Ｌｉｕ等［２３］将时域的均值㊁标准差㊁原始信号与归一化信号的一阶差均值绝对值和二阶差均值绝对值６个统计特征融合进行情绪分类，发现相比于单一时域特征，使用融合的特征向量情绪识别准确率上升幅度较大㊂表２㊀ＥＥＧ关键频带和通道文献总结Ｔａｂｌｅ２㊀ＳｕｍｍａｒｙｏｆｌｉｔｅｒａｔｕｒｅｏｎｋｅｙＥＥＧｆｒｅｑｕｅｎｃｙｂａｎｄｓａｎｄｃｈａｎｎｅｌｓ参考文献发表时间关键频带关键通道研究方法Ｚｈａｎｇ等［１５］２０１６β和γ１９通道取得最佳准确度基于ＲｅｌｉｅｆＦ进行通道选择Öｚｅｒｄｅｍ等［１６］２０１７未提及Ｐ３，ＦＣ２，ＡＦ３，Ｏ１，Ｆｐ１多层感知机神经网络（ＭＬＰＮＮ）Ｚｈｅｎｇ等［１７］２０１９β和γ未提及相关系数特征选择方法分析Ｇｏｓｈｖａｒｐｏｕｒ等［１８］２０１９未提及ＦＰ１，Ｃ３，ＣＰ１，Ｐ３，Ｐｚ相干性分析和源定位方法Ｙｉｌｄｉｒｉｍ等［１９］２０２１未提及Ｆ３，Ｆ４，ＦＣ５，ＡＦ４，Ｔ７，Ｃ３，ＣＰ２，ＰＯ３，Ｏ１，Ｏ２群体智能算法（ｓｗａｒｍ⁃ｉｎｔｅｌｌｉｇｅｎｃｅ，ＳＩ）Ｐｅｎｇ等［２０］２０２１γ通道重要性从前到后递减：Ｔ７，ＴＰ７，Ｆｐ１，ＦＴ７，ＰＯ３，ＦＰＺ，ＦＰ２，ＴＰ８，ＡＦ３，Ｐ２ＧＦＩＬ框架识别Ｇｕｏ等［２１］２０２２未提及ＦＴ７，Ｔ７，ＴＰ７，Ｐ３，ＦＣ６，ＦＴ８，Ｔ８，Ｆ８ＤＣｏＴ模型评估通道重要性４ ２㊀频域特征频谱能量㊁功率谱密度㊁频带功率等是ＥＥＧ的频域特征，提取此类特征的方法有傅里叶变换㊁小波变换等方法，相比于ＥＥＧ时域特征，频域特征蕴含更为丰富的情绪信息，可以反映不同频带的能量分布和情绪相关性㊂Ｐｕｓａｒｌａ等［２４］将ＥＥＧ转换的二维频谱图提供给ＤＣＥＲＮｅｔ模型，准确率提升幅度为８％㊂Ｍｏｈａｍｍａｄｉ等［２５］使用离散小波变换在多个通道比较了不同频带之间的准确度，结果发现Ｇａｍｍａ频带的情绪准确率明显高于其他频带㊂４ ３㊀时频特征时频功率分布㊁时频相干等为ＥＥＧ的时频特征，特征提取方法有短时傅里叶变换㊁经验模态分解等㊂时频特征能够描述信号频率随时间的变化，可以同时反映时域和频域的信息㊂Ｃａｏ等［２６］利用小波变换对脑电信号分解，提取各个频段的时频信息，然后使用时间窗函数计算在时频域中的统计特征㊂Ｓａｌａｎｋａｒ等［２７］利用经验模态分解将ＥＥＧ分解为本征模态函数，保留了ＥＥＧ中时频域中的情绪特征㊂４ ４㊀非线性特征常见的非线性ＥＥＧ特征有微分熵㊁模糊熵㊁分形维数等，这些特征需应用复杂度理论和分形理论进行计算提取，难度较大，应选择合适的非线性脑电特征进行提取㊂其中微分熵（ｄｉｆｆｅｒｅｎｔｉａｌｅｎｔｒｏｐｙ，ＤＥ）在ＥＥＧ情绪识别领域中应用广泛㊂Ｈｗａｎｇ等［２８］提取脑电信号中的ＤＥ特征作为ＣＮＮ模型的输入，实现了９０％的情绪识别准确率㊂Ｚｈｅｎｇ等［２９］在系统评估流行情绪识别算法的效率时，发现应用ＤＥ的模型性能优于其他模型㊂５㊀深度学习在脑电情绪识别领域的应用５ １㊀ＥＥＧ数据增强技术目前虽有公开数据集能够为基于脑电的情绪识别研究提供数据，但是相比较其他领域的实验数据量而言，ＥＥＧ数据量太少，且采集脑电数据又是一项成本较高的试验㊂于是研究者们利用数据增强技术产生更多的数据样本，能够在一定程度上解决样本不足的问题㊂目前ＥＥＧ数据增强技术主要分为两种［３０］：第一种是为信号添加噪声（如高斯噪声㊁泊松噪声等），第二种是使用深度学习生成模型㊂常用的数据增强模型有生成对抗网络（ｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓ，ＧＡＮ）［３１］和变分自编码器（ａｕｔｏ⁃ｅｎｃｏｄｉｎｇｖａｒｉａｔｉｏｎａｌＢａｙｅｓ，ＶＡＥ）［３２］，其中ＧＡＮ是目前脑电数据增强领域中的重要理论，它能够学习数据的真实分布，从而产生更多类似分布的ＥＥＧ数据㊂Ｌｉｕ等［３３］利用ＧＡＮ生成多通道脑电图数据的差分熵特征图，再通过模型提取差分熵特征当中隐㊃４１２㊃北京生物医学工程㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４３卷藏的情绪信息，实验结果表明在基于脑电图的情感识别任务中有明显的改进㊂Ｗａｎｇ等［３４］在原始训练数据的每个特征样本中加入高斯噪声，以获得新的训练样本，从而一定程度上缓解深度学习模型的ＥＥＧ数据中缺乏训练样本的问题，实现了模型性能的改进㊂Ｐａｎ等［３５］利用ＧＡＮ生成功率谱密度形式的训练样本，在ＤＥＡＰ数据集和ＭＡＨＮＯＢ⁃ＨＣＩ数据集的实验结果表明，数据增强后识别精度有显著提高㊂准确率的提高有两个主要原因：一方面，数据增强增加了样本数量㊂另一方面，数据增强将每个类别的样本量增加到相同水平，从而实现了类别之间的平衡㊂近年的ＥＥＧ数据增强文献总结如表３所示㊂表３㊀ＥＥＧ数据增强文献总结Ｔａｂｌｅ３㊀ＳｕｍｍａｒｙｏｆｌｉｔｅｒａｔｕｒｅｏｎＥＥＧｄａｔａｅｎｈａｎｃｅｍｅｎｔ参考文献发表时间产生数据样本类型数据增强方法Ｌｕｏ等［３６］２０２０功率谱密度和微分熵条件ＷａｓｓｅｒｓｔｅｉｎＧＡＮ㊁选择性ＶＡＥ和选择性ＷＧＡＮＢａｏ等［３７］２０２１ＤＥ特征转化的拓扑图像ＶＡＥ－Ｄ２ＧＡＮ模型扩充数据Ｚｈａｎｇ等［３８］２０２１ＤＥ特征人工数据多生成器条件ＷＧＡＮ（ｍｕｌｔｉｐｌｅｇｅｎｅｒａｔｏｒＣＷＧＡＮ，ＭＧ⁃ＣＷＧＡＮ）Ａｒｉ等［３９］２０２２ＣＷＴ尺度图像极限学习机自编码器（ｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅａｕｔｏｅｎｃｏｄｅｒ，ＥＬＭ⁃ＡＥ）从表３中能够看出，ＥＥＧ数据增强技术的主流趋势是使用深度神经网络学习ＥＥＧ数据的分布特征，生成人工提取的情绪特征如ＤＥ特征㊁功率谱密度和连续小波变换（ｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ，ＣＷＴ）尺度图等特征数据样本，较少研究生成ＥＥＧ原始数据㊂另外，利用噪声的数据增强技术没有进一步新的方法提出㊂５ ２㊀基于注意力机制ＥＥＧ情绪识别神经网络人的大脑在处理信息时会将大部分注意力放在对自己来说最重要的信息区域，注意力机制的提出就是为了模仿人的这种信息处理方式㊂在脑电情绪识别中，注意力机制可以帮助模型更好地关注与情绪相关的特征㊂注意力机制在ＥＥＧ情绪识别研究常见的有通道注意力机制㊁自我注意力机制等㊂注意力机制可以改变情绪特征的权重，能够提高情绪识别的准确率㊂Ｔａｏ等［４０］提出了一种基于注意力的卷积递归神经网络（ａｔｔｅｎｔｉｏｎ⁃ｂａｓｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ，ＡＣＲＮＮ），从脑电信号中提取更多的区别特征，提高情感识别的准确性㊂此模型能自适应地分配不同通道的权重，并采用ＣＮＮ提取编码的脑电信号的空间信息㊂在ＤＥＡＰ和ＤＲＥＡＭＥＲ数据库上分别取得了平均９３ ７２％和９３ ３８％的准确率㊂近年来关于基于注意力机制的ＥＥＧ情绪识别文献具体的总结如表４所示㊂从表４中可以看出，注意力机制与神经网络的融合能够取得良好的实验结果㊂但各种注意力机制改进试验的方式各有侧重，通道㊁区域和空间注意力机制其实质都是对脑电通道进行情绪权重划分，并随着模型训练逐步改进各个通道的情绪权重，从而提高情绪识别准确率㊂多头注意力机制能够使模型能够同时关注不同时间点之间的不同信息，更全面地捕捉脑电信号中的特征和结构，从而进一步提高模型的表现能力和泛化能力㊂频谱注意力机制侧重于学习不同频段的脑电信号在情绪识别任务中的重要性，此方法可以根据任务需求，自适应地调整不同频段的情绪权重，从而改进情绪识别效果㊂未来应将各种注意力机制进一步融合，形成同时对频带㊁通道和时间进行情绪权重划分的通用型注意力机制模型，进一步挖掘ＥＥＧ数据中的隐藏情绪信息，进一步提升模型的情绪识别准确率㊂６㊀总结与展望第一个问题是情绪识别神经网络模型的通用性较弱，目前大多数模型主要是针对主流ＥＥＧ公开数据集中的受试者的ＥＥＧ数据所设计的，如果更换ＥＥＧ数据源进行情绪识别，情绪识别的准确率会有较大幅度的下降，而迁移学习能够提高算法对不同ＥＥＧ数据的通用性，故应该在迁移学习方面投入时间精力，解决模型的通用性问题，并使模型具有跨域情绪识别能力㊂第二个问题是便携性的ＥＥＧ采集设备需要进一步革新，应该根据对ＥＥＧ情绪识别关键频带和通道的相关研究和与情绪相关的脑区研究，尽快研发一种便携性，低数量ＥＥＧ通道，抗干扰能力强，具有频带选择功能的ＥＥＧ采集设备㊂此种设备能够促进小型ＥＥＧ数据集的产生，而众多研究者的小型㊃５１２㊃第２期㊀㊀㊀㊀㊀㊀彭磊，等：脑电信号情绪识别关键技术研究进展表４㊀基于注意力机制的ＥＥＧ情绪识别文献总结Ｔａｂｌｅ４㊀ＳｕｍｍａｒｙｏｆｌｉｔｅｒａｔｕｒｅｏｎＥＥＧｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ参考文献发表时间神经网络及所提取的情绪特征注意力机制数据集情绪分类标签各个维度的准确率／％Ｚｈａｎｇ等［４１］２０２１局部到全局ＢｉＬＳＴＭ（ｒｅｇｉｏｎｔｏｇｌｏｂａｌ⁃ｓｐａｔｉｏｔｅｍｐｏｒａｌ⁃ＢｉＬＳＴＭ，Ｒ２Ｇ⁃ＳＴ⁃ＢｉＬＳＴＭ）情绪特征：局部到全局脑区更具区分性的时空脑电特征区域注意机制，确定不同脑区的权重，从而增强或削弱各脑区对情绪识别的贡献ＤＥＡＰ效价，唤醒，支配，喜欢平均９４ ６９Ｈｕ等［４２］２０２２ＣＮＮ⁃ＢｉＬＳＴＭ⁃ＭＨＳＡ情绪特征：时间序列，空间信息多头自注意力机制ＤＥＡＰ效价，唤醒，支配，喜欢平均９８ １０Ｘｉａｏ等［４３］２０２２４Ｄ⁃ＡＮＮ情绪特征：空间，频谱，时间特征频谱和空间注意机制，时间注意机制ＳＥＥＤ积极，中性，消极平均９６ １０Ｊｉａｎｇ等［４４］２０２２基于注意机制的混合网络（ＦＦＴ＿ＣＮＮ⁃ＬＳＴＭ⁃Ａｔｔｅｎｔｉｏｎ，ＦＦＴ＿ＣＬＡ）情绪特征：空间特征，时间特征通道注意力机制，自注意力机制ＤＥＡＰ效价，唤醒，支配，喜欢平均９２ ３８Ｌｉ等［４５］２０２２空间频率卷积自注意网络（ｓｐａｔｉａｌ⁃ｆｒｅｑｕｅｎｃｙｃｏｎｖｏｌｕｔｉｏｎａｌｓｅｌｆ⁃ａｔｔｅｎｔｉｏｎｎｅｔｗｏｒｋ，ＳＦＣＳＡＮ）情绪特征：空间和频带特征频带内自注意力学习频率信息，频带间最终注意力学习互补频率信息ＤＥＡＰ效价，唤醒，支配，喜欢９５ １５，９５ ７６，９５ ６４，９５ ８６ＥＥＧ数据集能够融合为数据量足够的ＥＥＧ公开数据集，故此种设备的研发将极大促进ＥＥＧ情绪识别研究㊂参考文献［１］㊀ＢｌａｃｋＭＨ，ＣｈｅｎＮＴＭ，ＩｙｅｒＫＫ，ｅｔａｌ．Ｍｅｃｈａｎｉｓｍｓｏｆｆａｃｉａｌｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｉｎａｕｔｉｓｍｓｐｅｃｔｒｕｍｄｉｓｏｒｄｅｒｓ：ｉｎｓｉｇｈｔｓｆｒｏｍｅｙｅｔｒａｃｋｉｎｇａｎｄｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ［Ｊ］．Ｎｅｕｒｏｓｃｉｅｎｃｅ＆ＢｉｏｂｅｈａｖｉｏｒａｌＲｅｖｉｅｗｓ，２０１７，８０：４８８－５１５．［２］㊀ＬｉｎＷ，ＬｉＣ．Ｒｅｖｉｅｗｏｆｓｔｕｄｉｅｓｏｎｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎａｎｄｊｕｄｇｍｅｎｔｂａｓｅｄｏｎｐｈｙｓｉｏｌｏｇｉｃａｌｓｉｇｎａｌｓ［Ｊ］．ＡｐｐｌｉｅｄＳｃｉｅｎｃｅｓ，２０２３，１３（４）：２５７３．［３］㊀ＥｋｍａｎＰ，ＦｒｉｅｓｅｎＷＶ，Ｏ ｓｕｌｌｉｖａｎＭ，ｅｔａｌ．Ｕｎｉｖｅｒｓａｌｓａｎｄｃｕｌｔｕｒａｌｄｉｆｆｅｒｅｎｃｅｓｉｎｔｈｅｊｕｄｇｍｅｎｔｓｏｆｆａｃｉａｌｅｘｐｒｅｓｓｉｏｎｓｏｆｅｍｏｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＰｅｒｓｏｎａｌｉｔｙａｎｄＳｏｃｉａｌＰｓｙｃｈｏｌｏｇｙ，１９８７，５３（４）：７１２－７１７．［４］㊀ＰｌｕｔｃｈｉｋＲ．Ｔｈｅｎａｔｕｒｅｏｆｅｍｏｔｉｏｎｓ：ｈｕｍａｎｅｍｏｔｉｏｎｓｈａｖｅｄｅｅｐｅｖｏｌｕｔｉｏｎａｒｙｒｏｏｔｓ，ａｆａｃｔｔｈａｔｍａｙｅｘｐｌａｉｎｔｈｅｉｒｃｏｍｐｌｅｘｉｔｙａｎｄｐｒｏｖｉｄｅｔｏｏｌｓｆｏｒｃｌｉｎｉｃａｌｐｒａｃｔｉｃｅ［Ｊ］．ＡｍｅｒｉｃａｎＳｃｉｅｎｔｉｓｔ，２００１，８９（４）：３４４－３５０．［５］㊀ＲｕｓｓｅｌｌＪＡ．Ａｃｉｒｃｕｍｐｌｅｘｍｏｄｅｌｏｆａｆｆｅｃｔ［Ｊ］．ＪｏｕｒｎａｌｏｆＰｅｒｓｏｎａｌｉｔｙａｎｄＳｏｃｉａｌＰｓｙｃｈｏｌｏｇｙ，１９８０，３９（６）：１１６１－１１７８．［６］㊀ＫｏｅｌｓｔｒａＳ，ＭｕｈｌＣ，ＳｏｌｅｙｍａｎｉＭ，ｅｔａｌ．Ｄｅａｐ：ａｄａｔａｂａｓｅｆｏｒｅｍｏｔｉｏｎａｎａｌｙｓｉｓ；ｕｓｉｎｇｐｈｙｓｉｏｌｏｇｉｃａｌｓｉｇｎａｌｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＡｆｆｅｃｔｉｖｅＣｏｍｐｕｔｉｎｇ，２０１１，３（１）：１８－３１．［７］㊀ＳｏｌｅｙｍａｎｉＭ，ＬｉｃｈｔｅｎａｕｅｒＪ，ＰｕｎＴ，ｅｔａｌ．Ａｍｕｌｔｉｍｏｄａｌｄａｔａｂａｓｅｆｏｒａｆｆｅｃｔｒｅｃｏｇｎｉｔｉｏｎａｎｄｉｍｐｌｉｃｉｔｔａｇｇｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＡｆｆｅｃｔｉｖｅＣｏｍｐｕｔｉｎｇ，２０１１，３（１）：４２－５５．［８］㊀ＺｈｅｎｇＷＬ，ＬｉｕＷ，ＬｕＹ，ｅｔａｌ．Ｅｍｏｔｉｏｎｍｅｔｅｒ：ａｍｕｌｔｉｍｏｄａｌｆｒａｍｅｗｏｒｋｆｏｒｒｅｃｏｇｎｉｚｉｎｇｈｕｍａｎｅｍｏｔｉｏｎｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＣｙｂｅｒｎｅｔｉｃｓ，２０１９，４９（３）：１１１０－１１２２．［９］㊀ＫａｔｓｉｇｉａｎｎｉｓＳ，ＲａｍｚａｎＮ．ＤＲＥＡＭＥＲ：ａｄａｔａｂａｓｅｆｏｒｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｔｈｒｏｕｇｈＥＥＧａｎｄＥＣＧｓｉｇｎａｌｓｆｒｏｍｗｉｒｅｌｅｓｓｌｏｗ⁃ｃｏｓｔｏｆｆ⁃ｔｈｅ⁃ｓｈｅｌｆｄｅｖｉｃｅｓ［Ｊ］．ＩＥＥＥＪｏｕｒｎａｌｏｆＢｉｏｍｅｄｉｃａｌａｎｄＨｅａｌｔｈＩｎｆｏｒｍａｔｉｃｓ，２０１８，２２（１）：９８－１０７．［１０］㊀ＳｏｎｇＴ，ＺｈｅｎｇＷ，ＬｕＣ，ｅｔａｌ．ＭＰＥＤ：ａｍｕｌｔｉ⁃ｍｏｄａｌｐｈｙｓｉｏｌｏｇｉｃａｌｅｍｏｔｉｏｎｄａｔａｂａｓｅｆｏｒｄｉｓｃｒｅｔｅｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０１９，７：１２１７７－１２１９１．［１１］㊀ＹａｎｇＫ，ＴｏｎｇＬ，ＳｈｕＪ，ｅｔａｌ．ＨｉｇｈｇａｍｍａｂａｎｄＥＥＧｃｌｏｓｅｌｙｒｅｌａｔｅｄｔｏｅｍｏｔｉｏｎ：ｅｖｉｄｅｎｃｅｆｒｏｍｆｕｎｃｔｉｏｎａｌｎｅｔｗｏｒｋ［Ｊ］．ＦｒｏｎｔｉｅｒｓｉｎＨｕｍａｎＮｅｕｒｏｓｃｉｅｎｃｅ，２０２０，１４：８９．［１２］㊀ＶａｌｅｎｚｉＳ，ＩｓｌａｍＴ，ＪｕｒｉｃａＰ，ｅｔａｌ．ＩｎｄｉｖｉｄｕａｌｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｅｍｏｔｉｏｎｓｕｓｉｎｇＥＥＧ［Ｊ］．ＪｏｕｒｎａｌｏｆＢｉｏｍｅｄｉｃａｌＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，２０１４（８）：６０４－６２０．［１３］㊀ＺｈｅｎｇＷＬ，ＬｕＢＬ．ＩｎｖｅｓｔｉｇａｔｉｎｇｃｒｉｔｉｃａｌｆｒｅｑｕｅｎｃｙｂａｎｄｓａｎｄｃｈａｎｎｅｌｓｆｏｒＥＥＧ⁃ｂａｓｅｄｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＡｕｔｏｎｏｍｏｕｓＭｅｎｔａｌＤｅｖｅｌｏｐｍｅｎｔ，２０１５，７（３）：１６２－１７５．［１４］㊀ＷａｎｇＺＭ，ＨｕＳＹ，ＳｏｎｇＨ．ＣｈａｎｎｅｌｓｅｌｅｃｔｉｏｎｍｅｔｈｏｄｆｏｒＥＥＧｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇｎｏｒｍａｌｉｚｅｄｍｕｔｕａｌｉｎｆｏｒｍａｔｉｏｎ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０１９，７：１４３３０３－１４３３１１．［１５］㊀ＺｈａｎｇＪ，ＣｈｅｎＭ，ＺｈａｏＳ，ｅｔａｌ．ＲｅｌｉｅｆＦ⁃ｂａｓｅｄＥＥＧｓｅｎｓｏｒｓｅｌｅｃｔｉｏｎｍｅｔｈｏｄｓｆｏｒｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．Ｓｅｎｓｏｒｓ，２０１６，１６：１５５８．［１６］㊀ÖｚｅｒｄｅｍＭＳ，ＰｏｌａｔＨ．ＥｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎＥＥＧｆｅａｔｕｒｅｓｉｎｍｏｖｉｅｃｌｉｐｓｗｉｔｈｃｈａｎｎｅｌｓｅｌｅｃｔｉｏｎ［Ｊ］．ＢｒａｉｎＩｎｆｏｒｍａｔｉｃｓ，２０１７，４：２４１－２５２．［１７］㊀ＺｈｅｎｇＷＬ，ＺｈｕＪＹ，ＬｕＢＬ．ＩｄｅｎｔｉｆｙｉｎｇｓｔａｂｌｅｐａｔｔｅｒｎｓｏｖｅｒｔｉｍｅｆｏｒｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｆｒｏｍＥＥＧ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎ㊃６１２㊃北京生物医学工程㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４３卷ＡｆｆｅｃｔｉｖｅＣｏｍｐｕｔｉｎｇ，２０１７，１０（３）：４１７－４２９．［１８］㊀ＧｏｓｈｖａｒｐｏｕｒＡ，ＧｏｓｈｖａｒｐｏｕｒＡ．ＡｎｏｖｅｌａｐｐｒｏａｃｈｆｏｒＥＥＧｅｌｅｃｔｒｏｄｅｓｅｌｅｃｔｉｏｎｉｎａｕｔｏｍａｔｅｄｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｌａｇｇｅｄＰｏｉｎｃａｒｅ ｓｉｎｄｉｃｅｓａｎｄｓＬＯＲＥＴＡ［Ｊ］．ＣｏｇｎｉｔｉｖｅＣｏｍｐｕｔａｔｉｏｎ，２０２０，１２（３）：６０２－６１８．［１９］㊀ＹｉｌｄｉｒｉｍＥ，ＫａｙａＹ，ＫｉｌｉçＦ．ＡｃｈａｎｎｅｌｓｅｌｅｃｔｉｏｎｍｅｔｈｏｄｆｏｒｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｆｒｏｍＥＥＧｂａｓｅｄｏｎｓｗａｒｍ⁃ｉｎｔｅｌｌｉｇｅｎｃｅａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０２１，９：１０９８８９－１０９９０２．［２０］㊀ＰｅｎｇＹ，ＱｉｎＦ，ＫｏｎｇＷ，ｅｔａｌ．ＧＦＩＬ：ａｕｎｉｆｉｅｄｆｒａｍｅｗｏｒｋｆｏｒｔｈｅｉｍｐｏｒｔａｎｃｅａｎａｌｙｓｉｓｏｆｆｅａｔｕｒｅｓ，ｆｒｅｑｕｅｎｃｙｂａｎｄｓ，ａｎｄｃｈａｎｎｅｌｓｉｎＥＥＧ⁃ｂａｓｅｄｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＣｏｇｎｉｔｉｖｅａｎｄＤｅｖｅｌｏｐｍｅｎｔａｌＳｙｓｔｅｍｓ，２０２２，１４（３）：９３５－９４７．［２１］㊀ＧｕｏＪＹ，ＣａｉＱ，ＡｎＪＰ，ｅｔａｌ．ＡｔｒａｎｓｆｏｒｍｅｒｂａｓｅｄｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎａｎｄｖｉｓｕａｌｉｚａｔｉｏｎｓｏｆｃｒｕｃｉａｌＥＥＧｃｈａｎｎｅｌｓ［Ｊ］．ＰｈｙｓｉｃａＡ：ＳｔａｔｉｓｔｉｃａｌＭｅｃｈａｎｉｃｓａｎｄｉｔｓＡｐｐｌｉｃａｔｉｏｎｓ，２０２２，６０３：１２７７００．［２２］㊀ＷａｇｈＫＰ，ＶａｓａｎｔｈＫ．Ｐｅｒｆｏｒｍａｎｃｅｅｖａｌｕａｔｉｏｎｏｆｍｕｌｔｉ⁃ｃｈａｎｎｅｌｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍｓｉｇｎａｌ（ＥＥＧ）ｂａｓｅｄｔｉｍｅｆｒｅｑｕｅｎｃｙａｎａｌｙｓｉｓｆｏｒｈｕｍａｎｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＢｉｏｍｅｄｉｃａｌＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇａｎｄＣｏｎｔｒｏｌ，２０２２，７８：１０３９６６．［２３］㊀ＬｉｕＹ，ＦｕＧ．Ｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｂｙｄｅｅｐｌｙｌｅａｒｎｅｄｍｕｌｔｉ⁃ｃｈａｎｎｅｌｔｅｘｔｕａｌａｎｄＥＥＧｆｅａｔｕｒｅｓ［Ｊ］．ＦｕｔｕｒｅＧｅｎｅｒａｔｉｏｎＣｏｍｐｕｔｅｒＳｙｓｔｅｍｓ，２０２１，１１９：１－６．［２４］㊀ＰｕｓａｒｌａＮ，ＳｉｎｇｈＡ，ＴｒｉｐａｔｈｉＳ．ＬｅａｒｎｉｎｇＤｅｎｓｅＮｅｔｆｅａｔｕｒｅｓｆｒｏｍＥＥＧｂａｓｅｄｓｐｅｃｔｒｏｇｒａｍｓｆｏｒｓｕｂｊｅｃｔｉｎｄｅｐｅｎｄｅｎｔｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＢｉｏｍｅｄｉｃａｌＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇａｎｄＣｏｎｔｒｏｌ，２０２２，７４：１０３４８５．［２５］㊀ＭｏｈａｍｍａｄｉＺ，ＦｒｏｕｎｃｈｉＪ，ＡｍｉｒｉＭ．Ｗａｖｅｌｅｔ⁃ｂａｓｅｄｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍｕｓｉｎｇＥＥＧｓｉｇｎａｌ［Ｊ］．ＮｅｕｒａｌＣｏｍｐｕｔｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０１７，２８：１９８５－１９９０．［２６］㊀ＣａｏＸ，ＺｈａｏＫ，ＸｕＤ．Ｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｏｆｓｉｎｇｌｅ⁃ｅｌｅｃｔｒｏｄｅＥＥＧｂａｓｅｄｏｎｍｕｌｔｉ⁃ｆｅａｔｕｒｅｃｏｍｂｉｎａｔｉｏｎｉｎｔｉｍｅ⁃ｆｒｅｑｕｅｎｃｙｄｏｍａｉｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＰｈｙｓｉｃｓ：ＣｏｎｆｅｒｅｎｃｅＳｅｒｉｅｓ，２０２１，１８２７（１）：０１２０３１．［２７］㊀ＳａｌａｎｋａｒＮ，ＭｉｓｈｒａＰ，ＧａｒｇＬ．ＥｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｆｒｏｍＥＥＧｓｉｇｎａｌｓｕｓｉｎｇｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎａｎｄｓｅｃｏｎｄ⁃ｏｒｄｅｒｄｉｆｆｅｒｅｎｃｅｐｌｏｔ［Ｊ］．ＢｉｏｍｅｄｉｃａｌＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇａｎｄＣｏｎｔｒｏｌ，２０２１，６５：１０２３８９．［２８］㊀ＨｗａｎｇＳ，ＨｏｎｇＫ，ＳｏｎＧ，ｅｔａｌ．ＬｅａｒｎｉｎｇＣＮＮｆｅａｔｕｒｅｓｆｒｏｍＤＥｆｅａｔｕｒｅｓｆｏｒＥＥＧ⁃ｂａｓｅｄｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０２０，２３：１３２３－１３３５．［２９］㊀ＺｈｅｎｇＷＬ，ＺｈｕＪＹ，ＬｕＢＬ．ＩｄｅｎｔｉｆｙｉｎｇｓｔａｂｌｅｐａｔｔｅｒｎｓｏｖｅｒｔｉｍｅｆｏｒｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｆｒｏｍＥＥＧ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＡｆｆｅｃｔｉｖｅＣｏｍｐｕｔｉｎｇ，２０１７，１０（３）：４１７－４２９．［３０］㊀ＬａｓｈｇａｒｉＥ，ＬｉａｎｇＤ，ＭａｏｚＵ．Ｄａｔａａｕｇｍｅｎｔａｔｉｏｎｆｏｒｄｅｅｐ⁃ｌｅａｒｎｉｎｇ⁃ｂａｓｅｄｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ［Ｊ］．ＪｏｕｒｎａｌｏｆＮｅｕｒｏｓｃｉｅｎｃｅＭｅｔｈｏｄｓ，２０２０，３４６：１０８８８５．［３１］㊀ＢｈａｔＳ，ＨｏｒｔａｌＥ．ＧＡＮ⁃ｂａｓｅｄｄａｔａａｕｇｍｅｎｔａｔｉｏｎｆｏｒｉｍｐｒｏｖｉｎｇｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆＥＥＧｓｉｇｎａｌｓ［Ｃ］／／Ｔｈｅ１４ｔｈＰｅｒｖａｓｉｖｅＴｅｃｈｎｏｌｏｇｉｅｓＲｅｌａｔｅｄｔｏＡｓｓｉｓｔｉｖｅＥｎｖｉｒｏｎｍｅｎｔｓＣｏｎｆｅｒｅｎｃｅ．Ｃｏｒｆｕ，Ｇｒｅｅｃｅ：ＡＣＭ，２０２１：４５３－４５８．［３２］㊀ＴｉａｎＣ，ＭａＹ，ＣａｍｍｏｎＪ，ｅｔａｌ．Ｄｕａｌ⁃ｅｎｃｏｄｅｒＶＡＥ⁃ＧＡＮｗｉｔｈｓｐａｔｉｏｔｅｍｐｏｒａｌｆｅａｔｕｒｅｓｆｏｒｅｍｏｔｉｏｎａｌＥＥＧｄａｔａａｕｇｍｅｎｔａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌＳｙｓｔｅｍｓａｎｄＲｅｈａｂｉｌｉｔａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，２０２３，３１：２０１８－２０２７．［３３］㊀ＬｉｕＱ，ＨａｏＪ，ＧｕｏＹ．ＥＥＧｄａｔａａｕｇｍｅｎｔａｔｉｏｎｆｏｒｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈａｔａｓｋ⁃ｄｒｉｖｅｎＧＡＮ［Ｊ］．Ａｌｇｏｒｉｔｈｍｓ，２０２３，１６：１１８．［３４］㊀ＷａｎｇＦ，ＺｈｏｎｇＳ，ＰｅｎｇＪ，ｅｔａｌ．ＤａｔａａｕｇｍｅｎｔａｔｉｏｎｆｏｒＥＥＧ⁃ｂａｓｅｄｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｍ］／／ＭｕｌｔｉＭｅｄｉａＭｏｄｅｌｉｎｇ．Ｂａｎｇｋｏｋ，Ｔｈａｉｌａｎｄ：ＳｐｒｉｎｇｅｒＩｎｔｅｒｎａｔｉｏｎａｌＰｕｂｌｉｓｈｉｎｇ，２０１８：８２－９３．［３５］㊀ＰａｎＢ，ＺｈｅｎｇＷ．ＥｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎＥＥＧｕｓｉｎｇｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｓａｎｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＣｏｍｐｕｔａｔｉｏｎａｌａｎｄＭａｔｈｅｍａｔｉｃａｌＭｅｔｈｏｄｓｉｎＭｅｄｉｃｉｎｅ，２０２１，２０２１：２５２０３９４．［３６］㊀ＬｕｏＹ，ＺｈｕＬＺ，ＷａｎＺＹ，ｅｔａｌ．ＤａｔａａｕｇｍｅｎｔａｔｉｏｎｆｏｒｅｎｈａｎｃｉｎｇＥＥＧ⁃ｂａｓｅｄｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈｄｅｅｐｇｅｎｅｒａｔｉｖｅｍｏｄｅｌｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＮｅｕｒａｌＥｎｇｉｎｅｅｒｉｎｇ，２０２０，１７（５）：０５６０２１．［３７］㊀ＢａｏＧ，ＹａｎＢ，ＴｏｎｇＬ，ｅｔａｌ．ＤａｔａａｕｇｍｅｎｔａｔｉｏｎｆｏｒＥＥＧ⁃ｂａｓｅｄｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＦｒｏｎｔｉｅｒｓｉｎＣｏｍｐｕｔａｔｉｏｎａｌＮｅｕｒｏｓｃｉｅｎｃｅ，２０２１，１５：７２３８４３．［３８］㊀ＺｈａｎｇＡ，ＳｕＬ，ＺｈａｎｇＹ，ｅｔａｌ．ＥＥＧｄａｔａａｕｇｍｅｎｔａｔｉｏｎｆｏｒｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈａｍｕｌｔｉｐｌｅｇｅｎｅｒａｔｏｒｃｏｎｄｉｔｉｏｎａｌＷａｓｓｅｒｓｔｅｉｎＧＡＮ［Ｊ］．Ｃｏｍｐｌｅｘ＆ＩｎｔｅｌｌｉｇｅｎｔＳｙｓｔｅｍｓ，２０２２，８：３０５９－３０７１．［３９］㊀ＡｒｉＢ，ＳｉｄｄｉｑｕｅＫ，ＡｌçｉｎÖＦ，ｅｔａｌ．ＷａｖｅｌｅｔＥＬＭ⁃ＡＥｂａｓｅｄｄａｔａａｕｇｍｅｎｔａｔｉｏｎａｎｄｄｅｅｐｌｅａｒｎｉｎｇｆｏｒｅｆｆｉｃｉｅｎｔｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇＥＥＧｒｅｃｏｒｄｉｎｇｓ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０２２，１０：７２１７１－７２１８１．［４０］㊀ＴａｏＷ，ＬｉＣ，ＳｏｎｇＲ，ｅｔａｌ．ＥＥＧ⁃ｂａｓｅｄｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｖｉａｃｈａｎｎｅｌ⁃ｗｉｓｅａｔｔｅｎｔｉｏｎａｎｄｓｅｌｆａｔｔｅｎｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＡｆｆｅｃｔｉｖｅＣｏｍｐｕｔｉｎｇ，２０２３，１４（１）：３８２－３９３．［４１］㊀ＺｈａｎｇＰ，ＭｉｎＣ，ＺｈａｎｇＫ，ｅｔａｌ．Ｈｉｅｒａｒｃｈｉｃａｌｓｐａｔｉｏｔｅｍｐｏｒａｌｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍｆｅａｔｕｒｅｌｅａｒｎｉｎｇａｎｄｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈａｔｔｅｎｔｉｏｎ⁃ｂａｓｅｄａｎｔａｇｏｎｉｓｍｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＦｒｏｎｔｉｅｒｓｉｎＮｅｕｒｏｓｃｉｅｎｃｅ，２０２１，１５：７３８１６７．［４２］㊀ＨｕＺ，ＣｈｅｎＬ，ＬｕｏＹ，ｅｔａｌ．ＥＥＧ⁃ｂａｓｅｄｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇｃｏｎｖｏｌｕｔｉｏｎａｌｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｗｉｔｈｍｕｌｔｉ⁃ｈｅａｄｓｅｌｆ⁃ａｔｔｅｎｔｉｏｎ［Ｊ］．ＡｐｐｌｉｅｄＳｃｉｅｎｃｅｓ，２０２２，１２（２１）：１１２５５．［４３］㊀ＸｉａｏＧ，ＳｈｉＭ，ＹｅＭ，ｅｔａｌ．４Ｄａｔｔｅｎｔｉｏｎ⁃ｂａｓｅｄｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒＥＥＧｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＣｏｇｎｉｔｉｖｅＮｅｕｒｏｄｙｎａｍｉｃｓ，２０２２，１６（４）：８０５－８１８．［４４］㊀ＪｉａｎｇＨ，ＷｕＤ，ＴａｎｇＸ，ｅｔａｌ．ＥＥＧｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇａｎａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｂａｓｅｄｏｎａｎｏｐｔｉｍｉｚｅｄｈｙｂｒｉｄｍｏｄｅｌ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ，Ｍａｔｅｒｉａｌｓ＆Ｃｏｎｔｉｎｕａ，２０２２，７３（２）：２６９７－２７１２．［４５］㊀ＬｉＤ，ＸｉｅＬ，ＣｈａｉＢ，ｅｔａｌ．Ｓｐａｔｉａｌ⁃ｆｒｅｑｕｅｎｃｙｃｏｎｖｏｌｕｔｉｏｎａｌｓｅｌｆ⁃ａｔｔｅｎｔｉｏｎｎｅｔｗｏｒｋｆｏｒＥＥＧｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＡｐｐｌｉｅｄＳｏｆｔＣｏｍｐｕｔｉｎｇ，２０２２，１２２：１０８７４０．（２０２３－０７－２６收稿，２０２３－１０－２４修回）㊃７１２㊃第２期㊀㊀㊀㊀㊀㊀彭磊，等：脑电信号情绪识别关键技术研究进展。

基于脑电的情绪识别研究综述一、本文概述随着和神经科学的深入发展，基于脑电的情绪识别研究已经成为一个备受瞩目的交叉学科领域。

情绪，作为人类心理活动的重要组成部分，不仅影响着我们的日常决策、社交互动，还与心理健康和疾病的发生发展密切相关。

因此，通过技术手段准确识别和理解个体的情绪状态，对于提升人机交互的自然度、改善心理健康治疗以及推动情感计算等领域的发展具有深远的意义。

脑电信号，作为大脑活动的直接反映，蕴含着丰富的情绪信息。

基于脑电的情绪识别研究旨在通过分析脑电信号中蕴含的情绪特征，实现对个体情绪状态的准确分类和识别。

本文旨在综述基于脑电的情绪识别研究的发展历程、主要方法、技术应用以及面临的挑战和未来的发展趋势。

通过对相关文献的梳理和评价，本文旨在为该领域的研究者提供全面的研究视角和深入的理论支撑，推动基于脑电的情绪识别研究的进一步发展和应用。

二、脑电信号与情绪的关系脑电信号，作为大脑活动的直接反映，与情绪状态之间存在着密切的关联。

情绪的产生和变化不仅会影响个体的行为表现，还会在大脑的电生理活动中留下明显的痕迹。

通过脑电信号的分析，可以揭示情绪产生的神经机制，以及情绪在不同脑区的动态变化过程。

在情绪识别的研究中，脑电信号的分析主要关注两个方面：一是脑电信号的频率特性，二是脑电信号的空间分布。

脑电信号的频率特性与情绪状态密切相关。

例如，当人们处于愉悦或兴奋的情绪状态时，脑电信号中的高频成分（如β波）往往会增加；而当人们处于悲伤或恐惧的情绪状态时，低频成分（如α波和θ波）则可能会增加。

这种频率特性的变化，可以为情绪识别提供重要的线索。

脑电信号的空间分布也是情绪识别研究中的重要内容。

不同情绪状态下，大脑活动的空间分布模式会有所不同。

例如，当人们感到愉悦时，大脑的额叶和颞叶区域的活动可能会增强；而当人们感到悲伤时，大脑的顶叶和枕叶区域的活动可能会增加。

这种空间分布模式的变化，可以为我们提供关于情绪状态的更多信息。