基于 EEG 的情绪识别：综述与新兴路径

基于摘要分析。本文综述基于 EEG 的情绪识别（ER），围绕信号预处理、特征提取和分类技术整理现有方法，并讨论深度学习、多模态融合及语义空间情绪模型等发展方向。其贡献定位是方法与挑战的综合梳理，而非提出并验证新的 EEG 解码算法。 作者指出，EEG 可提供非侵入式脑活动测量，相较面部表情或语音更不易受到主动掩饰影响，因此具有情绪解码潜力；这一动机不等于已经证实 EEG 在不同场景中更稳健。作者将传统方法的主要限制概括为分类准确率受限、样本规模较小，以及对离散或双极情感标签的依赖，并将更细粒度的情绪标注视为后续发展需求。 技术层面，摘要将预处理、特征提取与分类列为综述主线，但未给出具体算法、模型结构、训练目标或方法间对照。深度学习、多模态融合与语义空间情绪模型被列为有前景的方向，其融合机制、监督需求及实证收益尚未验证。数据集泛化和被试间变异是作者强调的持续挑战；评估这些方向时，需要核对全文是否区分被试内、跨被试及跨数据集协议，以及不同情绪标签体系下结果的可比性。 摘要未提供检索策略、纳入文献范围、数据集名称、被试数量或定量汇总结果，因此不能据此判断综述的系统性、覆盖程度或各类方法的性能优劣。全文中的实验协议、消融及统计信息尚未验证。本文可作为 EEG 情绪识别的阅读导航，但不能据此认定所述方向已在 BCI 应用中获得有效性验证。