2020年中国研究生数学建模竞赛C题--面向康复工程的脑电信号分析和判别模型

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３－３１１４．２０２４．０２．００３引用格式：王兆瑞，刘亮，崔曙光．智能反射面辅助通信中的信道估计方法［Ｊ］．无线电通信技术，２０２４，５０（２）：２３８－２４４．［ＷＡＮＧＺｈａｏｒｕｉ，ＬＩＵＬｉａｎｇ，ＣＵＩＳｈｕｇｕａｎｇ．ＣｈａｎｎｅｌＥｓｔｉｍａｔｉｏｎｉｎＩｎｔｅｌｌｉｇｅｎｔＲｅｆｌｅｃｔｉｎｇＳｕｒｆａｃｅＡｓｓｉｓｔｅｄＣｏｍｍｕｎｉｃａｔｉｏｎｓ［Ｊ］．ＲａｄｉｏＣｏｍｍｕｎｉｃａｔｉｏｎｓＴｅｃｈｎｏｌｏｇｙ，２０２４，５０（２）：２３８－２４４．］智能反射面辅助通信中的信道估计方法王兆瑞１，２，刘　亮３，崔曙光１，２（１．香港中文大学（深圳）未来智联网络研究院，广东深圳５１８１７２；２．香港中文大学（深圳）理工学院，广东深圳５１８１７２；３．香港理工大学电子与信息工程系，香港９９９０７７）摘　要：信道信息对于智能反射面（ＩｎｔｅｌｌｉｇｅｎｔＲｅｆｌｅｃｔｉｎｇＳｕｒｆａｃｅ，ＩＲＳ）辅助的通信系统十分关键。

由于ＩＲＳ反射单元的数量十分巨大，信道估计和信道反馈的开销一直制约着ＩＲＳ辅助的通信系统的性能。

为解决这一难题，介绍了ＩＲＳ辅助的通信系统中信道的特性。

不同用户共享同一基站（ＢａｓｅＳｔａｔｉｏｎ，ＢＳ）－ＩＲＳ信道，而ＢＳ－ＩＲＳ－用户串联信道具有很强的关联性。

基于这一特有的信道特性，提出了ＩＲＳ辅助的通信系统上行信道估计方法、下行信道估计和信道反馈方法；理论性地刻画了以上方法所需要的最小信道估计开销和信道反馈开销，以揭示所提方法在ＩＲＳ辅助的通信系统中相对于传统信道信息获取方法的巨大优势。

关键词：智能反射面；信道估计；信道反馈中图分类号：ＴＮ９２９．５ 文献标志码：Ａ 开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１００３－３１１４（２０２４）０２－０２３８－０７ＣｈａｎｎｅｌＥｓｔｉｍａｔｉｏｎｉｎＩｎｔｅｌｌｉｇｅｎｔＲｅｆｌｅｃｔｉｎｇＳｕｒｆａｃｅＡｓｓｉｓｔｅｄＣｏｍｍｕｎｉｃａｔｉｏｎｓＷＡＮＧＺｈａｏｒｕｉ１，２，ＬＩＵＬｉａｎｇ３ ，ＣＵＩＳｈｕｇｕａｎｇ１，２（１．ＦＮｉｉ，ＴｈｅＣｈｉｎｅｓｅＵｎｉｖｅｒｓｉｔｙｏｆＨｏｎｇＫｏｎｇ，Ｓｈｅｎｚｈｅｎ，Ｓｈｅｎｚｈｅｎ５１８１７２，Ｃｈｉｎａ；２．ＳＳＥ，ＴｈｅＣｈｉｎｅｓｅＵｎｉｖｅｒｓｉｔｙｏｆＨｏｎｇＫｏｎｇ，Ｓｈｅｎｚｈｅｎ，Ｓｈｅｎｚｈｅｎ５１８１７２，Ｃｈｉｎａ；３．ＥＩＥ，ＴｈｅＨｏｎｇＫｏｎｇＰｏｌｙｔｅｃｈｎｉｃＵｎｉｖｅｒｓｉｔｙ，ＨｏｎｇＫｏｎｇ９９９０７７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＣｈａｎｎｅｌｓｔａｔｅｉｎｆｏｒｍａｔｉｏｎｉｓｔｈｅｋｅｙｔｏＩｎｔｅｌｌｉｇｅｎｔＲｅｆｌｅｃｔｉｎｇＳｕｒｆａｃｅ（ＩＲＳ）ａｓｓｉｓｔｅｄｃｏｍｍｕｎｉｃａｔｉｏｎｓｙｓｔｅｍ．ＢｅｃａｕｓｅｏｆｈｕｇｅｎｕｍｂｅｒｏｆＩＲＳｅｌｅｍｅｎｔｓ，ｏｖｅｒｈｅａｄｆｏｒｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎａｎｄｃｈａｎｎｅｌｏｖｅｒｈｅａｄｉｓａｆｕｎｄａｍｅｎｔａｌｉｓｓｕｅｔｈａｔｌｉｍｉｔｓｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆＩＲＳ ａｓｓｉｓｔｅｄｃｏｍｍｕｎｉｃａｔｉｏｎ．Ｔｏｏｖｅｒｃｏｍｅｔｈｉｓｉｓｓｕｅ，ｔｈｉｓｐａｐｅｒｗｉｌｌｆｉｒｓｔｓｈｏｗａｕｎｉｑｕｅｐｒｏｐｅｒｔｙｏｆｔｈｅｃｈａｎｎｅｌｓｉｎＩＲＳ ａｓｓｉｓｔｅｄｃｏｍｍｕｎｉｃａｔｉｏｎ．Ｓｐｅｃｉｆｉｃａｌｌｙ，ｄｕｅｔｏｔｈｅｃｏｍｍｏｎｃｈａｎｎｅｌｂｅｔｗｅｅｎＢａｓｅＳｔａｔｉｏｎ（ＢＳ）ａｎｄＩＲＳ，ＢＳ ＩＲＳ ｕｓｅｒｃａｓｃａｄｅｄｃｈａｎｎｅｌｓｏｆｄｉｆｆｅｒｅｎｔｕｓｅｒｓａｒｅｈｉｇｈｌｙｃｏｒｒｅｌａｔｅｄｔｏｅａｃｈｏｔｈｅｒ．Ｔｈｅｎ，ｂａｓｅｄｏｎａｂｏｖｅｐｒｏｐｅｒｔｙ，ｔｈｉｓｐａｐｅｒｗｉｌｌｒｅｓｐｅｃｔｉｖｅｌｙｉｎｔｒｏｄｕｃｅｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄｓｉｎｕｐｌｉｎｋｃｏｍｍｕｎｉｃａｔｉｏｎａｎｄｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎａｎｄｆｅｅｄｂａｃｋｍｅｔｈｏｄｓｉｎｄｏｗｎｌｉｎｋ．Ｍｏｒｅｏｖｅｒ，ｔｈｅｍｉｎｉｍｕｍｏｖｅｒｈｅａｄｏｆａｂｏｖｅｍｅｔｈｏｄｓｗｉｌｌｂｅｔｈｅｏｒｅｔｉｃａｌｌｙｃｈａｒａｃｔｅｒｉｚｅｄｆｏｒｄｅｍｏｎｓｔｒａｔｉｎｇｔｈｅｇａｉｎｏｖｅｒｃｏｎｖｅｎｔｉｏｎａｌｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎａｎｄｆｅｅｄｂａｃｋｍｅｔｈｏｄｓｉｎＩＲＳ ａｓｓｉｓｔｅｄｃｏｍｍｕｎｉｃａｔｉｏｎｓｙｓｔｅｍｓ．Ｋｅｙｗｏｒｄｓ：ＩＲＳ；ｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎ；ｃｈａｎｎｅｌｆｅｅｄｂａｃｋ收稿日期：２０２３－１１－２１基金项目：国家自然科学基金（６２２９３４８２）；深港科技合作区河套基础研究（ＨＺＱＢＫＣＺＹＺ ２０２１０６７）；国家重点研发计划（２０１８ＹＦＢ１８００８００）；深圳市杰出人才计划（２０２００２）；广东省科研项目（２０１７ＺＴ０７Ｘ１５２，２０１９ＣＸ０１Ｘ１０４）；广东省未来智联网络重点实验室（２０２２Ｂ１２１２０１０００１）；深圳市大数据和人工智能重点实验室（ＺＤＳＹＳ２０１７０７２５１４０９０５５）ＦｏｕｎｄａｔｉｏｎＩｔｅｍ：ＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（６２２９３４８２）；ＢａｓｉｃＲｅｓｅａｒｃｈＰｒｏｊｅｃｔｏｆＨｅｔａｏＳｈｅｎｚｈｅｎ ＨＫＳ＆ＴＣｏｏｐｅｒａｔｉｏｎＺｏｎｅ（ＨＺＱＢＫＣＺＹＺ ２０２１０６７）；ＮａｔｉｏｎａｌＫｅｙＲ＆ＤＰｒｏｇｒａｍｏｆＣｈｉｎａ（２０１８ＹＦＢ１８００８００）；ＳｈｅｎｚｈｅｎＯｕｔｓｔａｎｄｉｎｇＴａｌｅｎｔｓＴｒａｉｎｉｎｇＦｕｎｄ（２０２００２）；ＧｕａｎｇｄｏｎｇＲｅｓｅａｒｃｈＰｒｏｊｅｃｔｓ（２０１７ＺＴ０７Ｘ１５２，２０１９ＣＸ０１Ｘ１０４）；ＧｕａｎｇｄｏｎｇＰｒｏｖｉｎｃｉａｌＫｅｙＬａｂｏｒａｔｏｒｙｏｆＦｕｔｕｒｅＮｅｔｗｏｒｋｓｏｆＩｎｔｅｌｌｉｇｅｎｃｅ（２０２２Ｂ１２１２０１０００１）；ＳｈｅｎｚｈｅｎＫｅｙＬａｂｏｒａｔｏｒｙｏｆＢｉｇＤａｔａａｎｄＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ（ＺＤＳＹＳ２０１７０７２５１４０９０５５）０　引言在无线通信中，由于建筑物等遮挡的存在，通信链路会受到影响。

脑—机接口系统组成概述刘方毅;李方博【摘要】近年来,脑—机接口技术得到了长足的进步与发展.本文在已有相关工作基础之上,介绍脑际接口系统的主要组成,并对组成部分涉及到的关键技术做了介绍与总结,对脑电信号的采集、信号预处理、特征提取和特征分类等技术做了阐述,最后对脑机接口在生活和军事方面的应用进行了展望.【期刊名称】《电子世界》【年(卷),期】2017(000)021【总页数】2页(P72-73)【关键词】脑-机接口;脑电信号;预处理;特征提取;特征分类【作者】刘方毅;李方博【作者单位】武警工程大学;武警工程大学【正文语种】中文脑-机接口( brain-computer interface,BCI) 是通过脑神经活动与外界交流的一种交流方式,它绕开了人类神经末梢和肌肉等通常的信息通道,通过分析脑信号将用户的运动等意图转换为语言、设备的控制输入量等,使用户直接通过脑信号与外面的环境进行实时的交互[1].上世纪70年代,加州大学洛杉矶分校,J. J. Vidal博士在他的论文中首先提出了脑-机接口这一概念,来评估利用脑电信号的可行性[2],这是一个涉及神经科学、心理学、信号检测、信号处理和其他技术等多种学科的交叉学科.基本的BCI系统框架如图1所示,该系统主要由信号采集、信号处理、输出设备等部分组成,下面就BCI系统的各组成部分及涉及的关键技术做以阐述与介绍.信号采集系统包括记录电极、信号隔离放大器、滤波器和模拟数字转换器等部分.它的作用是采集来自大脑的生物电信号,将其转换成数字信号作为计算机的输入控制信号,也就是脑-机接口系统的输入信号.目前电极记录方式最常采用的是植入式电极与头皮电极两种.植入式电极是通过外科手术将微电极植于颅内记录脑电信号.它具有较高的空间与频率分辨率、定位性好、记录信号的信噪较高且电极有较好的位置稳定性等优点.但植入式对大脑有创伤,适用于严重的瘫痪病人.头皮电极则是通过把电极直接贴在头皮上来记录脑电信号,和医学检测脑电图的方法相同.由于头皮电极检测具有无创性,检测方法简单.头皮电极距离神经元距离较远,所以分辨率较低,头皮记录的脑电信号较小,噪声大.信号处理模块是通过对脑电信号进行适当的处理以求识别出用户的操作意图,提取能体现用户主观动作意识的特征参数并通过算法将之转换为控制外围设备的指令.包括信号预处理、特征提取、特征分类.脑电信号本身十分微弱并且极易受其他信号(如肌电信号)污染,使用EEG记录下的脑电信号信噪比不高,因此在进行特征提取前会进行预处理,主要作用是消除干扰,提高信噪比.在此主要有空间滤波、频域的带通滤波、去除眼电、基线校正等. (1)空间滤波.对于多通道信号,空间滤波对于去除高频噪声干扰提高信噪比起着重要作用.主要是通过多导联EEG信号的加权组合来获得较高信噪比的特征信号,提高分类性能.常见的空间滤波方法包括普通平均参考(Common Average Reference, CAR),小拉普拉斯参考(Small Laplacian Reference),大拉普拉斯参考(Large Laplacian Reference).实验结果表明,CAR和大拉普拉斯参考的分类结果最好. (2)频域带通滤波由于运动想象发生的脑电信号频带具有规律性,分析过宽的频带会混入干扰信号,因此,为了提高信噪比,在预处理中进行带通滤波.滤波器主要有无限长脉冲响应滤波器(IIR)和有限长脉冲响应滤波器(FIR).特征提取是从经过了预处理和数字化处理的脑电信号中提取少量能反应使用者意图的特征向量,来作为分类器的输入[3],常用的特征提取方法有频域、时域、时频域等.3.2.1 频域分析方法频域分析方法主要由功率谱估计、双谱分析、自回归参数模型估计等.(1)功率谱估计是频域分析的主要手段之一,它主要是从频率的角度直观地观察脑电节律的分布情况,但其方差特性不好,且数据较长时,估计值沿频率值的起伏比较剧烈.(2)相对于功率谱估计,双谱分析优越之处在于针对一些不同生理状态下的脑信号,有些功率谱很相似,双谱结构却出现明显差异;其缺点是要求信号至少三阶平稳,只对短数据脑信号才有意义.(3)自回归参数模型谱估计由于其模型中的系数较易求解,且对数据处理能得到高分辨率的谱分析结果,特别是对脑信号作动态特性分析更显优越,因此在脑信号分析中得到了广泛的应用.在自回归模型谱估计技术中常用的准则有信息论准则、最终预测误差准则等,求取系数常用的算法有最小二乘法等.3.2.2 时域分析方法时域分析方法主要是提取脑电信号的一些波形特征,提取到的特征物理意义明确、直观性强,主要由幅值检测、方差分析、均值分析、过零截点分析、相关分析、直方图分析等手段.3.2.3 时频域分析方法常用的时频分析方法有短时Fourier变换、小波变换和Hilbert-Huang变换. (1)短时Fourier变换反映的是围绕t的频率分布[4].为了研究信号在时间t内的特征,可加强该时间的信号,压缩其他时间的信号.这个可以通过信号乘以窗函数来实现.由于加窗后的信号加强了围绕时间t的信号,对于截取的信号仍认为是平稳的,因此,短时Fourier变换这种方法只适用于缓变信号的分析.(2)小波变换.小波变换是一种多尺度的信号分析方法,具有良好的时频局部化特性,非常适合分析非平稳脑电信号的瞬时特性和时变特性.通过小波变换可以较好提取时间定位良好的不同节律脑信号,为脑信号动态分析与分类提供新依据.(3)Hilbert-Huang变换.1998年,黄鄂博士等提出一种针对非平稳信号的时频分析方法--希尔伯特-黄变换(Hilbert-Huang Transform, HHT),通过经验模态分解方法得到一系列内蕴模态函数(Intrinsic Mode Function, IMF).IMF的特点使得通过希尔伯特变换得到的瞬时频率既有数学上的意义,也有了物理上的意义[5].对IMF进行希尔伯特变换可获得信号的时间-频率-振幅(能量)分布,也就是希尔伯特(能量)谱.希尔伯特谱在频域和时域上都有良好的分辨率,并且三维的分布能够反映出信号的内在本质特征.特征分类是基于脑电信号根据不同的运动或意识能使脑电活动产生不同响应的特性,确定运动或意识的类型与特征信号之间的关系.常用的特征分类方法有线性判别分析、贝叶斯-卡尔曼滤波、人工神经网络、支持向量机等.(1)在线性判别分析中,先为每一类建立概率密度方程式模型,通过学习一个适当的超平面达到对两类特征较好分类的目的,其优点是计算相对简单,缺点是对于复杂的非线性EEG数据的分类效果不理想.(2)贝叶斯-卡尔曼滤波是一种经验估值方法,根据特征向量在不同的类别下的后验概率来判断所属类别,即该该特征向量属于使其具有最大后验概率的类别[6].把脑电信号转变成为响应的感知状态的概率,因此可以接受不同状态间以及一系列训练所产生的脑电之间的衔接存在非平稳性.(3)人工神经网络在BCI系统中应用最为广泛,其应用简单,参数选择简单,分类结果准确率较高,但也存在一些缺点,由于其优化目标是基于经验的风险最小化,因而不能保证网络的泛化能力.(4)支持向量机也是通过学习一个合适的超平面来对两类特征进行分类,是基于结构风险最小化原则,保证学习机器具有良好的泛化能力,优点是解决了小样本、非线性、高维数、局部极小点等问题,缺点是速度相对较慢,需要大型数据分析时比较困难[7]. 脑机接口技术作为一种前沿的对外交流与控制方式经过近30年的快速发展其应用领域已经从最初的医疗康复拓展到方方面面.在交通领域中,可以利用脑机接口来实现无人驾驶等技术.在军事领域中,通过远程发送脑电控制信号来控制武器,不但可以提高作战信息化水平,还可以降低伤亡率.随着技术的不断完善和多学科的融合发展,脑机接口技术正在逐步应用于现实,造福人类.【相关文献】[1]Schalk G,Brunner P,Gerhardt LA,et al.Brain-computer interfaces(BCIs):detection insteadof classification.J Neurosci Methods.2008Jan 15:167(1):51-62.[2]王斐,张育中,宁延会,闻时光.脑-机接口研究进展[J].智能系统学报,2011,6(6):189-199.[3]赵慧,李远清.脑机接口技术研究概况[J].计算机技术与自动化,2006,25(4):115-118.[4]葛哲学,陈仲生.Matlab时频分析技术及其应用[M].北京:人民邮电出版社,2006.[5]杨哂哂,李明.用Hilbert-Huang变换做时频分析的频率分辨率的实验研究[D].华东师范大学,2007.[6]Duda R O,Hart P E,Stork D G.Pattern Classi¯cation (2ndedition).New York:Wiley,2001.[7]徐宝国.基于脑电信号的人机接口技术研究[D].南京:东南大学,2009.。

基于深度学习的老年人跌倒检测工具研究进展目录1. 内容概括 (2)1.1 老年人跌倒问题及成因 (3)1.2 深度学习在跌倒检测中的应用前景 (4)1.3 本文的研究目标与结构 (5)2. 跌倒检测方法综述 (6)2.1 传统跌倒检测方法 (8)2.2 基于深度学习的跌倒检测方法 (9)2.3 深度学习模型种类 (10)2.4 数据集及评价指标 (12)3. 基于深度学习的老年人跌倒检测方法研究 (13)3.1 视频数据分析 (14)3.1.1 姿态识别与特征提取 (16)3.1.2 深度网络架构设计 (18)3.1.3 跌倒检测性能分析 (18)3.2 传感器数据分析 (20)3.2.1 典型传感器数据类型 (21)3.2.2 数据预处理与降维 (22)3.2.3 深度学习模型应用 (24)3.2.4 跌倒检测模型性能比较 (25)3.3 其他数据融合方法 (25)4. 研究挑战与未来展望 (27)4.1 数据收集与标注 (28)4.2 模型鲁棒性和泛化能力 (29)4.3 多模态数据融合 (31)4.4 应用场景拓展 (32)1. 内容概括本综述文章深入探讨了基于深度学习的老年人跌倒检测工具的研究进展，详细分析了当前该领域的技术水平、存在的挑战以及未来的发展方向。

在技术层面，深度学习算法如卷积神经网络(CNN)和循环神经网络(RNN)在老年人跌倒检测中发挥了重要作用。

这些算法能够从大量的图像或视频数据中自动提取有用的特征，用于识别和分析跌倒行为。

基于深度学习的模型还能结合其他传感器数据，如加速度计、陀螺仪等，实现对老年人跌倒行为的更加准确和全面的监测。

在应用方面，老年人跌倒检测工具在家庭、社区和医疗机构等多个场景中具有广泛的应用前景。

通过实时监测老年人的行为状态，这类工具可以帮助家人及时发现潜在的跌倒风险，并采取相应的干预措施。

对于社区和医疗机构而言，这些工具也可以作为预防老年人跌倒的重要手段，提高社区安全水平和医疗服务质量。

人工智能之模式识别_北京理工大学中国大学mooc课后章节答案期末考试题库2023年1.采用非线性激活函数可以实现感知器解决非线性分类问题。

参考答案:错误2.下列关于最大池化的说法中错误的是？参考答案:LeNet采用的是最大池化方法3.填充树法由顶向底的方法和由底向顶填充相反。

参考答案:正确4.语言可以是无限的但是句子必须是有限的。

参考答案:正确5.文法是由下列哪些参数构成的？参考答案:起始符S_终止符V_T_非终止符V_N_产生式P6.感知器算法应用什么方法求解准则函数的最优值？参考答案:梯度下降法7.下列关于对比散度算法的说法中错误的是？参考答案:深度信念网中多层受限玻尔兹曼机同时通过对比散度算法完成预训练8.下列选项中，属于模式识别系统的环节是？参考答案:分类器训练_模式采集_分类决策_预处理与特征生成9.分类器函数的VC维h越大，将使下列选项中的哪些数据发生变化？参考答案:置信风险越大_结构风险越大_分类器泛化能力越差10.利用SVM将低维空间中的非线性问题映射到高维空间，存在哪些问题？参考答案:不确定需要映射到多少维的空间上，非线性问题才会转化为线性问题_如何找到合适的映射函数φ_增加计算量，可能会因为维数灾难无法解决11.本课程中介绍的与句法模式识别相关的基本概念有？参考答案:字母表_句子（链）_文法_语言12.下列选项中属于贝叶斯分类器的特点的是？参考答案:分类决策存在错误率_先验概率已知，以新获得的信息对先验概率进行修正13.贝叶斯分类器的训练，是从样本集数据中估计出____。

参考答案:类条件概率_先验概率14.下列选项中属于特征降维的优点的是？参考答案:降低模式识别任务的复杂度_提升分类决策的正确率_用更少的代价设计出更加优秀的模式识别系统15.下列说法中正确的是？参考答案:聚类结果受特征选取和聚类准则的影响_数据聚类没有预先分好类的样本集_聚类结果受各特征量纲标尺的影响_数据聚类没有已知的分类决策规则16.设计一个组合分类器需要满足什么要求？参考答案:每个基分类器的训练集和训练结果要有差异_组合分类器需要重点考虑方差和偏差_基分类器的分类正确率大于50%17.下列选项中属于决策树分类器的特点的是？参考答案:需选择分支后两个子节点纯度最高的特征作为一个节点的测试特征_速度快，分类决策规则明确_未考虑特征间的相关性_有监督学习方法18.下列选项中属于Adaboost算法的特点的是？参考答案:异常数据（离群点）影响大_不易实现并行化训练_只能解决二分类问题_算法的组合过程能减小偏差19.下列选项中属于反馈型神经网络的是？参考答案:Hopfield网络_受限玻尔兹曼机20.调节以下哪些部分可以对神经网络的性能造成影响？参考答案:权值_激活函数_隐层单元_阈值21.下列选项中关于前馈网络和反馈网络的说法中正确的是？参考答案:前馈网络输出不作用在网络的输入中_前馈网络为静态网络_反馈网络下一时刻的输出与上一时刻的输出有关_反馈网络为动态网络22.下列选项中属于BP网络的不足的是？参考答案:容易陷入局部极小值_全连接网络计算大_隐层神经元数量难以确定_无法做到深度很深，会产生梯度消失23.下列选项中属于深度学习的特点的是？参考答案:需要大量样本进行训练_逐层抽象，发现数据集的特征_是层数较多的大规模神经网络_需要大规模并行计算能力的支持24.利用链式求导法则需要哪些信息？参考答案:损失函数与网络输出向量之间的函数关系_激活函数输出对净激励的导数25.深度信念网不能用于图像识别的原因是？参考答案:深度信念网为一维向量输入，不能直接用于二位图像_需要进行认知－重构的双向计算，学习速度不够快_受限玻尔兹曼机的层间全连接，权值数量太多26.Jp作为类内、类间可分性的概率距离度量时应该满足下列选项中哪些条件？参考答案:当两类完全不可分时，Jp等于0_当两类完全可分时，Jp取得最大值27.特征选择的算法包括以下哪些？参考答案:分支定界法_顺序后退法_穷举法_顺序前进法28.特征降维的方法包括特征选择和特征提取。

2020 华数杯全国大学生数学建模竞赛题目（请先阅读“华数杯数学建模竞赛论文格式规范与提交说明”）C 题脱贫帮扶绩效评价消除贫困、改善民生、逐步实现共同富裕，是社会主义的本质要求，是我们党的重要使命。

党的十八大以来，国家把扶贫开发工作纳入“四个全面”战略布局，作为实现第一个百年奋斗目标的重点工作，摆在更加突出的位置。

为了更好的激励各帮扶单位提高扶贫效率，扶真贫，真扶贫。

五年前，国家启动了脱贫帮扶绩效评价机制。

某科研团队接受任务后，对全国32165 个需要帮扶的贫困村进行了初步的贫困调查。

从居民收入(记为SR)、产业发展(记为CY)、居住环境(记为HJ)、文化教育(记为WJ)、基础设施(记为SS)等五个评价指标给出了评分。

以此为依据，将被帮扶的村庄划分为160 个集合，每个集合指定帮扶单位（标记为0-159）进行帮扶。

这160 个帮扶单位按照单位属性（如国企还是民营企业等）标记为0-5 等6 个类型。

2020 年，研究团队再次进行了调研，得到了被帮扶的这些村庄居民收入、产业发展、居住环境、文化教育、基础设施等五个方面的评分数据以及总分数据。

为了便于比较和研究，所有数据都进行了标准化处理（标准化后的数值越大表示评分越高）。

绩效评价，不能仅以最后的得分作为依据，需要考虑各个评价指标的进步幅度。

因为这样才能公正的评判帮扶的效果，就能鼓励更多的帮扶单位愿意花精力去帮助非常贫困的地区。

请你运用数学建模，解决以下问题：问题一：一般人的理解是，五年前的评分与2020 年对应的各项评分有着直接的关联，如五年前的居民收入不错，现在的居民收入也会是不错的。

你认为本问题有这个规律吗？请分析各个评价指标的对应关系。

问题二：160 个帮扶单位帮扶着基础不同的村庄，帮扶单位帮扶工作的态度、目标、投入、帮扶干部素质等显然是有差异的。

仅仅用2020 年各村庄评分高低显然是无法真正有效的体现一个帮扶单位在脱贫攻坚提升方面所做出的努力。

全国青少年人工智能创新挑战赛考试题库（含答案）一、单选题1.能根据过去和现在的信息推断可能发生和出现的情况的专家系统是()。

A、诊断型专家系统B、控制型专家系统C、预测型专家系统D、监督型专家系统参考答案：C2.三段论推理包括()、小前题和结论。

A、假设B、经验C、知识D、大前提参考答案：D3.()是把句法成分与应用领域中的目标表示相关联。

A、词法分析B、句法分析C、语用分析D、语义分析参考答案：D4.人工神经网络中各个神经元同时改变状态，称为()。

A、异步工作方式B、半工工作方式C、同步工作方式D、全工工作方式参考答案：C5.()是语音信号处理的前提。

A、语音信号识别B、语音信号采集C、语音信号分析D、语音信号过滤参考答案：B6.()是利用与问题有关的启发信息进行搜索。

A、深度优先策略B、宽度优先策略C、最好优先策略D、启发式策略参考答案：D7.()是获取知识的过程。

A、学习B、环境C、评价D、知识库参考答案：A8.深度优先搜索和()是状态空间最基本的搜索策略。

A、正向搜索B、逆向搜索C、宽度优先搜索D、目的搜索参考答案：C9.通常用语言或表情、眼神及肢体动作对外界的刺激做出反应，传达某个信息，这些称为()。

A、学习能力B、行为能力C、感知能力D、顿悟能力参考答案：B10.图的节点表示问题的()。

A、状态B、操作C、目的D、结果参考答案：A11.()描述两个模糊集合中的元素之间的关联程度。

A、概率关系B、模糊关系C、线性关系D、包含关系参考答案：B12.在经济领域，利用粒子群优化算法求解博弈论中的()。

A、均衡解B、策略解C、方法解D、结果解参考答案：A13.赫布学习规则是()规则。

A、自学习B、半监督学习C、监督学习D、无监督学习参考答案：D14.()是把句法成分与应用领域中的目标表示相关联。

A、词法分析B、句法分析C、语用分析D、语义分析参考答案：D15.()开启了机器学习的先河。

A、遗传算法B、赫布学习规则C、粒子群算法D、产生式方法参考答案：B16.在遗传算法中，必须为遗传操作准备一个由若干初始解组成的()。

基于动态图卷积神经网络的运动想象脑电信号研究周正康;袁之正;颜亨;李玉;李舒然【期刊名称】《计算机科学与应用》【年(卷),期】2024(14)4【摘要】运动想象是一种认知神经科学领域的概念,指的是在不实际运动的情况下,通过想象运动来激活大脑相应区域的神经元。

传统的CNN在处理EEG信号时存在劣势,因为EEG信号是一种时间序列数据,而CNN并不擅长处理这种类型的数据,导致无法充分挖掘时间相关性和特征信息,影响了模型的性能和准确性。

为了解决这一问题,本文使用动态图卷积和时间卷积来处理EEG数据,该方法能够有效地捕捉信号之间的时间依赖关系和动态变化,从而提高了模型在处理EEG信号时的性能和准确性。

动态图卷积的优势在于能够更好地适应时间序列数据的特点,提高了模型在提取特征和预测方面的效果,有效解决了传统CNN在处理EEG信号时的劣势,为脑机接口技术等领域的发展带来了新的可能性。

该方法主要过程如下:首先,EEG信号被输入到卷积滤波器进行处理,过滤成八个子频带后,分别输入到八个动态图卷积神经网络(DGCNN)中。

最后,这些网络被串联起来,输入到一个时域卷积网络(TCN)中进行特征提取。

在公开数据集上,DGCNN模型的平均分类准确率(82.5 ± 4.3%)优于传统的CNN模型(68.9 ± 3.6%)。

【总页数】8页(P268-275)【作者】周正康;袁之正;颜亨;李玉;李舒然【作者单位】五邑大学智能制造学部江门;广州城市理工学院电子信息工程学院&通信工程学院广州【正文语种】中文【中图分类】R74【相关文献】1.基于CSP与卷积神经网络算法的多类运动想象脑电信号分类2.基于时频域的卷积神经网络运动想象脑电信号识别方法3.基于卷积神经网络的多类运动想象脑电信号识别4.基于时空特征卷积神经网络的运动想象脑电信号识别方法5.基于BP神经网络的多类运动想象脑电信号识别系统研究因版权原因，仅展示原文概要，查看原文内容请购买。

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。

现代电子技术Modern Electronics TechniqueMar. 2024Vol. 47 No. 62024年3月15日第47卷第6期0 引 言语音情感识别（Speech Emotion Recognition, SER ）在人机交互和计算机辅助人际交流等应用中发挥着重要作用。

然而，由于自发情感表达的微妙性和模糊性，要使机器完全正确地解释出语音信号中所包含的情感是具有挑战性的。

尽管SER 已经得到了广泛的应用，但它的性能远远低于人类，识别过程仍然受到很多因素的困扰，因此，有必要进一步提高SER 系统的性能。

深度学习网络，例如卷积神经网络（CNN ）和递归神经网络（RNN ）等[1]，在SER 任务中表现出较高的效率，识别精度较传统方法也有了很大的提高。

注意力机制可以动态地聚焦于某些部分，目前已经被应用于神经网络中。

S. Mirsamadi 等将局部注意力机制引入语音神经网络，DOI ：10.16652/j.issn.1004‐373x.2024.06.021引用格式：何朝霞，朱嵘涛，罗辉.基于F‐DFCC 融合特征的语音情感识别方法[J].现代电子技术，2024，47（6）：131‐136.基于F⁃DFCC 融合特征的语音情感识别方法何朝霞1， 朱嵘涛1， 罗 辉2（1.长江大学 文理学院， 湖北 荆州 434023； 2.东北林业大学 计算机与控制工程学院， 黑龙江 哈尔滨 150040）摘 要： 结合神经网络、并行多特征向量和注意力机制，有助于提高语音情感识别的性能。

基于此，从前期已经提取的DFCC 参数入手，提取I‐DFCC 和Mid‐DFCC 特征参数，利用Fisher 比选取特征参数构成F‐DFCC ；再将F‐DFCC 特征参数与LPCC 、MFCC 特征参数进行对比并融合，输入到含双向LSTM 网络及注意力机制的ECAPA‐TDNN 模型中；最后，在CASIA 和RAVDESS 数据集上验证F‐DFCC 融合特征参数的有效性。

分析内容仅做参考，欢迎大家一起交流沟通，也有可能是我完全分析错了。

题目如下：
题目A：芯片相噪算法（华为题）
应该会和信号与系统相关
题目B：汽油辛烷值建模
应该是数据分析类的题目
题目C：面向康复工程的脑信号分析和判别建模
附件1-P300脑机接口数据，
附件2-睡眠脑电数据，
感觉是数据分析相关，需要建立预测或判别模型
题目D：无人机集群协同对抗
这个应该是偏向优化和决策
题目E：能见度估计与预测
应该是视觉分析的，不了解相关知识
附件有：机场AMOS观测、机场视频、高速公路视频截图
题目F：飞行器质心平衡供油策略优化
决策、优化、物理建模相关。

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３－３１０６．２０２３．０７．０２８引用格式：陈路路，张建民，白洁，等．基于遗传算法和ＥＬＭ神经网络的目标威胁估计［Ｊ］．无线电工程，２０２３，５３（７）：１７１９－１７２４．［ＣＨＥＮＬｕｌｕ，ＺＨＡＮＧＪｉａｎｍｉｎ，ＢＡＩＪｉｅ，ｅｔａｌ．ＴａｒｇｅｔＴｈｒｅａｔＡｓｓｅｓｓｍｅｎｔＢａｓｅｄｏｎＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍａｎｄＥＬＭＮｅｕｒａｌＮｅｔｗｏｒｋ［Ｊ］．ＲａｄｉｏＥｎｇｉｎｅｅｒｉｎｇ，２０２３，５３（７）：１７１９－１７２４．］基于遗传算法和ＥＬＭ神经网络的目标威胁估计陈路路１，２，张建民１，２，白　洁１，２，艾　伟１，２，杜　楚１，２，张岐坦１，２，周　云３（１．中国电子科技集团公司第五十四研究所，河北石家庄０５００８１；２．河北省智能化信息感知与处理重点实验室，河北石家庄０５００８１；３．陆装驻石家庄地区第一军代室，河北石家庄０５００８１）摘　要：目标威胁程度是指挥员进行态势评估和指挥决策的重要依据。

为准确估计目标威胁情况，提出了基于遗传算法和极限学习机（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍａｎｄＥｘｔｒｅｍｅＬｅａｒｎｉｎｇＭａｃｈｉｎｅ，ＧＡ ＥＬＭ）的目标威胁评估方法。

采用遗传算法优化ＥＬＭ神经网络的输入权重和隐含层阈值，优化后的ＥＬＭ神经网络能够克服传统ＥＬＭ网络不稳定的缺点，具有更好的目标威胁估计性能。

实验结果表明，基于ＧＡ ＥＬＭ的目标威胁估计误差明显小于传统ＥＬＭ方法，且输出的威胁结果更加稳定。

关键词：态势评估；极限学习机；遗传算法；目标威胁估计中图分类号：ＴＰ３９１．９文献标志码：Ａ开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１００３－３１０６（２０２３）０７－１７１９－０６ＴａｒｇｅｔＴｈｒｅａｔＡｓｓｅｓｓｍｅｎｔＢａｓｅｄｏｎＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍａｎｄＥＬＭＮｅｕｒａｌＮｅｔｗｏｒｋＣＨＥＮＬｕｌｕ１，２，ＺＨＡＮＧＪｉａｎｍｉｎ１，２，ＢＡＩＪｉｅ１，２，ＡＩＷｅｉ１，２，ＤＵＣｈｕ１，２，ＺＨＡＮＧＱｉｔａｎ１，２，ＺＨＯＵＹｕｎ３（１．Ｔｈｅ５４ｔｈｒｅｓｅａｒｃｈｉｎｓｔｉｔｕｔｅｏｆＣＥＴＣ，Ｓｈｉｊｉａｚｈｕａｎｇ０５００８１，Ｃｈｉｎａ；２．ＨｅｂｅｉＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｔｅｌｌｉｇｅｎｔＩｎｆｏｒｍａｔｉｏｎＰｅｒｃｅｐｔｉｏｎａｎｄＰｒｏｃｅｓｓｉｎｇ，Ｓｈｉｊｉａｚｈｕａｎｇ０５００８１，Ｃｈｉｎａ；３．Ｔｈｅ１ｓｔＭｉｌｉｔａｒｙＲｅｐｒｅｓｅｎｔａｔｉｖｅＯｆｆｉｃｅＳｔａｔｉｏｎｅｄｉｎＳｈｉｊｉａｚｈｕａｎｇＲｅｇｉｏｎ，ＰＬＡＡｒｍｙＥｑｕｉｐｍｅｎｔＤｅｐａｒｔｍｅｎｔ，Ｓｈｉｊｉａｚｈｕａｎｇ０５００８１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔａｒｇｅｔｔｈｒｅａｔｌｅｖｅｌｉｓａｎｉｍｐｏｒｔａｎｔｂａｓｉｓｆｏｒｃｏｍｍａｎｄｅｒｓｔｏｃｏｎｄｕｃｔｓｉｔｕａｔｉｏｎａｓｓｅｓｓｍｅｎｔａｎｄｃｏｍｍａｎｄｄｅｃｉｓｉｏｎｍａｋｉｎｇ．Ｉｎｏｒｄｅｒｔｏａｃｃｕｒａｔｅｌｙｅｓｔｉｍａｔｅｔｈｅｔａｒｇｅｔｔｈｒｅａｔ，ａｔａｒｇｅｔｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔｍｅｔｈｏｄｂａｓｅｄｏｎＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍａｎｄＥｘｔｒｅｍｅＬｅａｒｎｉｎｇＭａｃｈｉｎｅ（ＧＡ ＥＬＭ）ｉｓｐｒｏｐｏｓｅｄ．ＴｈｉｓｍｅｔｈｏｄｕｓｅｓｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｔｏｏｐｔｉｍｉｚｅｔｈｅｉｎｐｕｔｗｅｉｇｈｔｓａｎｄｈｉｄｄｅｎｌａｙｅｒｔｈｒｅｓｈｏｌｄｓｏｆＥＬＭｎｅｕｒａｌｎｅｔｗｏｒｋ．ＴｈｅｏｐｔｉｍｉｚｅｄＥＬＭｎｅｕｒａｌｎｅｔｗｏｒｋｃａｎｏｖｅｒｃｏｍｅｔｈｅｉｎｓｔａｂｉｌｉｔｙｏｆｔｒａｄｉｔｉｏｎａｌＥＬＭｎｅｔｗｏｒｋａｎｄｈａｓｂｅｔｔｅｒｔａｒｇｅｔｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔｐｅｒｆｏｒｍａｎｃｅ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｔａｒｇｅｔｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔｅｒｒｏｒｕｓｉｎｇＧＡ ＥＬＭｉｓｓｉｇｎｉｆｉｃａｎｔｌｙｌｅｓｓｔｈａｎｔｈａｔｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌＥＬＭｍｅｔｈｏｄ，ａｎｄｔｈｅｏｕｔｐｕｔｔｈｒｅａｔｒｅｓｕｌｔｉｓｍｏｒｅｓｔａｂｌｅ．Ｋｅｙｗｏｒｄｓ：ｓｉｔｕａｔｉｏｎａｓｓｅｓｓｍｅｎｔ；ＬＥＭ；ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ；ｔａｒｇｅｔｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔ收稿日期：２０２３－０１－２０基金项目：河北省智能化信息感知与处理重点实验室发展基金项目（ＳＸＸ２２１３８Ｘ００２）ＦｏｕｎｄａｔｉｏｎＩｔｅｍ：ＳｕｐｐｏｒｔｅｄｂｙｔｈｅＤｅｖｅｌｏｐｍｅｎｔＦｕｎｄＰｒｏｊｅｃｔｏｆＨｅｂｅｉＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｔｅｌｌｉｇｅｎｔＩｎｆｏｒｍａｔｉｏｎＰｅｒｃｅｐｔｉｏｎａｎｄＰｒｏｃｅｓｓｉｎｇ（ＳＸＸ２２１３８Ｘ００２）０　引言目标威胁估计作为战场信息融合分析过程中的一项关键研究内容，能够根据所获取目标的多种特征信息以定量形式计算出敌方目标对我方目标的威胁程度，是指挥员进行态势评估和指挥决策的重要参考。

2024年网络选学平台人工智能相关知识点考试答案1、单选题人工智能的英文缩写是?ⒶVRⒷAI 正确答案ⒸARⒹIR正确答案是B2、单选题以下哪项不是机器学习的常见类型?Ⓐ非监督学习Ⓑ监督学习Ⓒ混合学习正确答案Ⓓ强化学习正确答案是C3、单选题哪种算法常用于识别图像中的物体?ⒶK-均值聚类Ⓑ决策树Ⓒ卷积神经网络(CNN) 正确答案Ⓓ线性回归正确答案是C4、单选题人工智能在医疗领域的应用不包括?Ⓐ病理诊断辅助Ⓑ手术机器人Ⓒ药物研发加速Ⓓ自动驾驶汽车正确答案正确答案是D5、单选题什么是“深度学习”?Ⓐ仅限于浅层数据的学习技术Ⓑ不需要大量数据的学习方式Ⓒ一种快速学习方法Ⓓ基于多层神经网络的学习模型正确答案正确答案是D6、单选题下列哪项不属于自然语言处理(NLP)的应用?Ⓐ图像内容描述生成正确答案Ⓑ文本情感分析Ⓒ智能客服聊天机器人Ⓓ语音识别软件正确答案是A7、单选题在自然语言处理中，词语嵌入(Word Embedding)的主要目的是什么?Ⓐ提取文本的关键句子Ⓑ转换文本为图像形式Ⓒ将词汇转化为数值向量，以便于计算和理解语义关系正确答案Ⓓ实现文本的语法检查正确答案是C8、单选题以下哪项是人工智能伦理中的重要考虑因素?Ⓐ以上都是正确答案Ⓑ数据隐私保护Ⓒ算法偏见消除Ⓓ人工智能责任归属正确答案是A9、单选题人工智能在农业中的应用可能包括?Ⓐ气候预测以优化种植周期Ⓑ以上皆是正确答案Ⓒ自动化灌溉系统Ⓓ作物病虫害自动识别正确答案是B10、单选题“GAN”通常指的是哪种机器学习模型?Ⓐ支持向量机Ⓑ广义线性模型Ⓒ生成对抗网络正确答案Ⓓ随机森林正确答案是C11、单选题教育领域中，Al技术可以如何支持特殊教育需求?Ⓐ以上均可正确笞案Ⓑ通过语音识别辅助听障学生Ⓒ开发交互式教学工具增强学习体验Ⓓ利用智能推荐系统定制学习计划正确答案是A12、单选题以下哪一项是评估机器学习模型性能的重要指标?Ⓐ准确率(Accuracy)Ⓑ所有选项都是正确答案Ⓒ召回率(Recall)ⒹF1分数(F1 Score)正确答案是B13、多选题机器学习的三个基本要素包括：Ⓐ模型正确答案Ⓑ算法正确笞案Ⓒ数据正确答案Ⓓ计算资源正确选项是ABC。

基于多元经验模态分解-传递熵的脑肌电信号耦合分析马鹏刚;佘青山;高云园;张启忠;罗志增【摘要】Functional corticomuscular coupling ( FCMC) is the interaction between the cerebral cortex and muscles. The multi-scale coupling characteristics of the Electroencephalography(EEG)and electromyography(EMG)signals can reflect the multiple temporal and spatial function of the cortex-muscle. The multivariate empirical modal decomposition (MEMD) and transfer entropy ( TE ) are combined to construct a MEMD-TE model, applied to analysis coupling between cortical and muscle activities. Firstly, the EEG and EMG signals were pre-processed, and then the multivariate empirical modal decomposition algorithm was used to perform time-frequency scaling on the signals. Fi-nally,the entropy values were calculated on different scales,and nonlinear coupling characteristics were analyzed on different coupling direction ( EEG→EMG and EMG→EEG). EEG and EMG signals of 10 subjects were collected under static grip(5 kg,10 kg and 20 kg),experimental results show that the MEMD-TE value from EEG to EMG is higher than that from EMG to EEG in the high frequency band(40 Hz~75 Hz),and FCMC is bi-directional and has differences in the coupling strength of different coupling directions and bands. In addition,the significance test revelas no significant difference between the MEMD-TE values from EEG to EMG under different grip forces.%皮层肌肉功能耦合是大脑皮层和肌肉组织间的相互作用,脑肌电信号的多尺度耦合特征可以体现皮层-肌肉间多时空的功能联系.将多元经验模态分解(MEMD)与传递熵(TE)结合,构建出MEMD-TE模型,应用于脑、肌间耦合分析.首先对同步采集的脑电(EEG)和肌电(EMG)信号进行预处理,然后采用多元经验模态分解算法对信号进行时-频尺度化,最后计算不同尺度上的传递熵值,分析各个尺度不同耦合方向(EEG→EMG及EMG→EEG)上的非线性耦合特征.采集了10名受试者静态握力(5 kg、10 kg、20 kg)下脑、肌电信号,实验结果表明:脑电对肌电的MEMD-TE值在高频段(40 Hz~75 Hz)上高于肌电对脑电的MEMD-TE值,皮层肌肉功能耦合具有双向性,且不同方向和频段上的耦合强度有所差异,显著性校验反映了不同力度下脑电对肌电的MEMD-TE值没有显著性差别.【期刊名称】《传感技术学报》【年(卷),期】2018(031)006【总页数】11页(P904-914)【关键词】脑肌电信号;皮层肌肉功能耦合;多元经验模态分解;传递熵【作者】马鹏刚;佘青山;高云园;张启忠;罗志增【作者单位】杭州电子科技大学智能控制与机器人研究所,杭州310018;杭州电子科技大学智能控制与机器人研究所,杭州310018;杭州电子科技大学智能控制与机器人研究所,杭州310018;杭州电子科技大学智能控制与机器人研究所,杭州310018;杭州电子科技大学智能控制与机器人研究所,杭州310018【正文语种】中文【中图分类】TP391生理系统是跨越多尺度时空进行相互作用的复杂结构[1]。

2020年华数杯c题思路【原创实用版】目录1.2020 年华数杯 C 题概述2.题目分析a) 问题一分析b) 问题二分析c) 问题三分析d) 问题四分析3.思路解析a) 基于满分为 100 的基础上筛选出异常值并进行平滑处理b) 对各因素进行无量纲化和卡方检验c) 利用熵权法取熵值并进行 0-1 缩放d) 基于卡方值和熵权值进行综合分析4.结论正文一、2020 年华数杯 C 题概述2020 年华数杯 C 题是一道关于数据分析和建模的题目，要求参赛者根据给定的数据，分析并解决一系列问题。

题目涉及多个方面，包括异常值处理、影响因素分析等。

二、题目分析1.问题一：异常值处理题目中提到，在 a1 到 a8 中存在异常值。

为了处理这些异常值，我们可以将它们筛选出来，并进行平滑处理。

具体方法是将异常值除以 10。

2.问题二：影响因素分析问题二要求分析影响满意度的因素。

我们需要对 a1 到 B17 中的各因素进行无量纲化和卡方检验，并同时进行 0-1 缩放，采用熵权法取熵值。

接着，基于卡方值和熵权值进行综合分析，以找出影响满意度的因素。

3.问题三和问题四：待更由于题目没有提供问题三和问题四的详细信息，因此无法对其进行分析。

三、思路解析1.基于满分为 100 的基础上筛选出异常值并进行平滑处理在处理异常值时，我们可以先计算出所有数据的平均值，然后根据平均值和标准差来筛选异常值。

对于筛选出的异常值，我们可以采用平滑处理方法，如线性插值、多项式插值等，将它们替换为合理的值。

2.对各因素进行无量纲化和卡方检验在分析影响因素时，我们需要先将数据进行无量纲化处理，使其在同一尺度上进行比较。

接着，我们可以使用卡方检验来检验各因素之间是否存在关联。

3.利用熵权法取熵值并进行 0-1 缩放在计算熵值时，我们可以采用熵权法，该方法可以有效地减小数据的不平衡性。

接着，我们可以对熵值进行 0-1 缩放，使其在 [0, 1] 区间内。

2021年中国研究生数学建模竞赛C题帕金森病的脑深部电刺激治疗建模研究一、背景介绍帕金森病是一种常见的神经退行性疾病，临床表现的特征是静止性震颤，肌强直，运动迟缓，姿势步态障碍等运动症状。

目前缓解帕金森病症状的治疗方法主要有：药物治疗、手术治疗和脑深部刺激(DBS) 三种[1]。

药物治疗用于早期帕金森疾病，手术治疗适用性较差且切除后不可逆。

DBS通过精确定位，选取脑内特定的靶点植入刺激电极，通过输入高频电刺激，改变相应核团的兴奋性，达到改善治疗帕金森病症状的效果。

DBS治疗帕金森病的靶点包括丘脑底核（STN）和苍白球内侧核（GPi/SNc）的脑深部电刺激等[2][3]。

二、脑深部电刺激治疗脑深部电刺激治疗帕金森病的机理来自基底神经节(Basal ganglia，BG)，BG 结构和丘脑-皮层（Thalamus-Cortex）结构如图1。

与基底神经节相关的神经核团(Cortex，Striatum/dMSN/iMSN，SNc，GPe，GPi/SNc，STN，Thalamus）内部包括大量的神经元，核团之间相互连接，发生神经信息传递，经典的基底神经节神经团块结构中，神经信息的传导包括两条相互平行的信号传递通路[5]：直接通路（Cortex→Str→GPi/SNr）和间接通路（Cortex→Str→GPe→STN→GPi/SNr）。

图1 基底神经节内部神经核团连接(箭头方向代表兴奋，方块方向表示抑制，绿色路径是直接通路，红色路径是间接通路，蓝色路径是多巴胺)直接通路和间接通路分别通过丘脑兴奋或抑制运动皮层(图2)。

虽然帕金森病的病理机制目前仍不十分清楚，但临床主流的观点是[6] ：基底神经节黑质核团（SNc）多巴胺能神经元的退化，纹状体多巴胺减少，破坏直接通路和间接通路之间信息传递的平衡，导致运动控制紊乱，临床伴随帕金森症状。

STN直接参与基底神经节中直接通路的运动发起与间接通路的运动抑制之间的平衡。

STN-DBS对改善PD运动障碍神经机制，优化DBS参数对PD治疗策略等具有重要意义。

2020年中国研究生数学建模竞赛C 题面向康复工程的脑电信号分析和判别模型背景和意义大脑是人体中高级神经活动的中枢，拥有着数以亿计的神经元，并通过相互连接来传递和处理人体信息。

脑电信号按其产生的方式可分为诱发脑电信号和自发脑电信号。

诱发脑电信号是通过某种外界刺激使大脑产生电位变化从而形成的脑电活动；自发脑电信号是指在没有外界特殊刺激下，大脑自发产生的脑电活动。

（1）诱发脑电信号（P300脑-机接口）在日常生活中，人的大脑控制着感知、思维、运动及语言等功能，且以外围神经为媒介向身体各部分发出指令。

因此，当外围神经受损或肌肉受损时，大脑发出指令的传输通路便会受阻，人体将无法正常完成大脑指令的输出，也就失去了与外界交流和控制的能力。

研究发现，在外围神经失去作用的情况下，人的大脑依旧可以正常运行，而且其发出指令的部分信息可以通过一些路径表征出来。

脑-机接口技术旨在不依赖正常的由外围神经或肌肉组织组成的输出通路的通讯系统，实现大脑与外部辅助设备之间的交流沟通。

P300事件相关电位是诱发脑电信号的一种，在小概率刺激发生后300毫秒范围左右出现的一个正向波峰（相对基线来说呈现向上趋势的波）。

由于个体间的差异性，P300的发生时间也有所不同，图1表示的是在刺激发生后450毫秒左右的P300波形。

P300电位作为一种内源性成分，它不受刺激物理特性影响，与知觉或认知心理活动有关，与注意、记忆、智能等加工过程密切相关。

基于P300的脑-机接口优点是使用者无需通过复杂训练就可以获得较高的识别准确率，具有稳定的锁时性和高时间精度特性。

-+幅值（μV ）图1 P300波形示意图（2）自发脑电信号（睡眠脑电）睡眠是身体休整积蓄能量的重要环节，睡眠质量对人的身心状态也有着重大影响。

如何提高睡眠质量，减少睡眠相关疾病对健康的影响，日益受到广泛关注。

睡眠过程中采集的脑电信号，属于自发型的脑电信号。

自发型的睡眠脑电信号能够反映身体状态的自身变化，也是用来诊断和治疗相关疾病的重要依据。