跳到正文

算法、任务与模态

Emotion 最新动态

Emotion 研究索引；按可核对的标签归档，不以热度评价质量。

188 条精选近 30 天 19 条共收录 494 条

更新

精选归档 · 第 10 页

1月1日周日第 181–188 条
  1. OpenReview · EEG76

    一种用于跨域 EEG 情绪识别的快速高效域适应技术

    基于摘要分析。本文针对不同被试或会话间 EEG 非平稳性造成的情绪分类性能下降，提出 adaptive subspace feature matching（ASFM），旨在不使用目标被试标注样本的条件下，在统一框架中减小源域与目标域的边缘分布和条件分布差异，同时降低域适应计算开销。 核心方法是构建不含正则化项的线性变换，对齐源域与目标域子空间的边缘分布；作者称该设计可显著降低计算复杂度，并使边缘分布与条件分布差异均得到减小。随后在变换后的源域上训练 logistic regression（LR），用于目标域分类。摘要未说明条件分布匹配的具体实现、目标域数据使用方式及子空间构造细节，这些机制尚未验证。 作者在一个包含 positive、neutral、negative 三种情绪状态的公开 EEG 数据集上，与六种典型方法进行离线和在线比较。作者报告：Cross-subject 离线评估中，ASFM 的平均 Accuracy 为 80.46%，标准差为 6.84%；对照 subspace alignment auto-encoder（SAAE）的平均 Accuracy 为 77.88%，标准差为 7.33%。在覆盖该数据集全部 15 名被试的 Cross-subject 在线评估中，ASFM 的平均 Accuracy 为 75.11%，标准差为 7.65%；最佳基线 LR 为 56.38%，标准差为 7.48%。摘要称在线提升显著，但具体统计检验尚未验证；离线与在线结果不宜脱离各自协议直接比较。 作者进一步认为，在训练与测试样本量受控于一定范围时，ASFM 适合实时分类，但摘要未提供样本量边界、运行时间或硬件条件。数据集名称、特征提取、源域与目标域划分、在线更新流程、消融及统计信息尚未验证。虽然作者结论涉及跨被试和跨会话适应，摘要所列定量结果仅明确对应跨被试评估，跨会话效果仍需核对全文。复现时应重点核对条件分布对齐实现、无标签目标数据的访问协议及计算效率测试条件。

    阅读价值：值得阅读的是 ASFM 在不使用目标被试标签的条件下兼顾分布对齐与计算效率，并提供跨被试离线和在线对照结果；条件分布对齐机制及实时性边界仍需全文核对。

1月1日周五
  1. OpenReview · EEG77

    识别用于 EEG 情绪识别的跨时间稳定模式

    基于摘要分析。该研究关注与不同情绪相关的 EEG 模式能否随时间保持稳定，通过机器学习流程比较特征提取、特征选择、特征平滑及模式分类方法，并分析情绪相关频段与脑区模式的跨会话一致性。其主要贡献是把时间稳定性作为 EEG 情绪识别的重要研究问题，而不只考察单次分类表现。 研究使用 DEAP 和作者为本研究新开发的数据集进行评估；摘要未提供新数据集名称、被试数量、采集间隔、标签构建方式或训练与测试划分，也未列出具体算法及其配置。特征平滑可能影响时间稳定性的评估，因此其实施方式与训练、测试边界是全文阅读时需要核对的事项，现有材料不足以判断。 作者报告，所识别的稳定模式在不同会话间表现出一致性：与负性情绪相比，正性情绪在外侧颞区呈现更强的 beta 和 gamma 频段活动；中性情绪在顶区与枕区呈现更高的 alpha 响应；负性情绪在顶区与枕区呈现更高的 delta 响应，并在前额区呈现更高的 gamma 响应。作者还报告，情绪识别系统的表现支持这些模式在会话内和会话间相对稳定，但摘要没有给出分类指标、数值或统计检验细节。 这些结果可为考察 EEG 情绪识别中频段—脑区特征的跨会话可重复性提供依据，但不能直接等同于已验证的 Cross-subject 泛化能力或长期实际应用效果。实验协议、对照结果、消融及统计信息尚未验证；复现前需核对数据可用性、预处理与伪迹处理、特征定义、会话划分，以及稳定性的量化标准。

    阅读价值：值得阅读之处在于将 EEG 情绪识别的关注点从单次分类表现延伸至跨会话模式稳定性，并系统比较特征处理与分类方法，但稳定性的统计依据及评估协议仍需全文核对。

1月1日周四
  1. OpenReview · EEG76

    利用深度神经网络研究 EEG 情绪识别的关键频带与通道

    基于摘要分析。本文研究 EEG 中哪些频带与通道对情绪识别更关键，使用深度信念网络（DBN）对正性、中性和负性三类情绪建模，并通过分析训练后的网络权重选择通道配置。贡献不仅是分类模型，也包括对频带与通道贡献的分析。 方法与数据：作者构建了包含 15 名被试的 EEG 数据集，每名被试进行两次实验，间隔数日。模型输入为多通道 EEG 提取的微分熵特征，随后训练 DBN 并检查其权重，以研究关键频带和通道。摘要未给出具体频带边界、特征时间窗、DBN 结构及训练细节，尚不能据此确定权重如何转化为通道选择准则。 作者报告，在该三分类任务中，DBN、SVM、LR 和 KNN 的平均 Accuracy 分别为 86.08%、83.99%、82.70% 和 72.60%。作者另选取了 4、6、9、12 通道四种配置，报告其识别 Accuracy 相对稳定，其中最佳 Accuracy 为 86.65%，优于原始 62 通道配置。摘要未明确这些结果采用被试内、跨被试还是跨会话划分，也未明确最佳少通道结果对应哪种配置，因此不能将其直接解释为跨被试泛化性能，或与平均 Accuracy 作等价比较。 作者认为，权重分析得到的关键频带与通道与既有观察一致，且不同情绪相关的神经信号特征在会话与个体之间具有共性。这是作者对实验的解释，尚不等同于独立验证的稳定神经标志物。复现时应核对通道选择与模型评估的数据边界、两次会话的划分方式、各基线的调参与特征设置，以及少通道结果的波动和统计检验。实验协议、消融及统计信息尚未验证；摘要也未提供足以确认的数据集名称、数据开放状态或代码信息。

    阅读价值：值得阅读的具体原因是作者利用 DBN 权重分析 EEG 情绪识别中的频带与通道贡献，并报告少通道配置仍能保持识别表现；其通道选择流程与跨会话、跨被试评估协议仍需全文核对。

  2. OpenReview · EEG71

    使用鲁棒主成分分析缓解基于EEG的情绪分类中的日间变异

    基于摘要分析。本研究针对EEG情绪分类中的日间变异，采用鲁棒主成分分析（RPCA）分离情绪相关动态与背景扰动，探索提升纵向情感BCI稳定性的途径。其核心假设是：背景或情绪无关的EEG扰动造成跨天变化，并掩盖情绪相关动态。 机制上，摘要将情绪相关EEG动态描述为稀疏成分，并称RPCA能够将其从伴随的跨天背景扰动中提取出来，再用于情绪分类。具体分解对象、目标函数、稀疏约束、预处理流程及分类器尚未验证，不能据此确定RPCA是在何种特征或信号表示上实施。 作者报告，在12名被试的五天数据分析中，结果支持上述假设及RPCA的可行性；逐步使用更多天经RPCA净化的EEG试次时，情绪分类表现呈持续改善，而使用原始EEG特征时未观察到同样趋势。摘要未提供具体指标或改善幅度，也未明确训练与测试的跨天划分，因此这些结果不能直接视为已验证的Cross-session泛化收益。 作者据此提出，将RPCA与现有情绪机器学习框架结合，用于每名个体的纵向数据，可能有助于构建能够缓解自然情境日间变异的情感BCI（ABCI）。复现时需核对情绪任务与标签、各天数据量、训练和测试划分、RPCA拟合范围、原始特征对照及统计检验。实验协议、消融及统计信息尚未验证；现有摘要也不足以判断其Cross-subject适用性或在线部署效果。

    阅读价值：值得阅读的具体原因是作者在12名被试的五天EEG数据上考察了RPCA对日间变异的处理，并报告了增加训练天数时净化特征与原始特征的不同表现，但划分协议和定量收益尚未验证。

  3. OpenReview · EEG73

    利用深度信念网络揭示 EEG 情绪识别的关键通道与频带

    基于摘要分析。研究针对多通道 EEG 中无关通道可能引入噪声、降低情绪识别性能的问题，提出利用深度信念网络（DBN）识别情绪，并通过其学习到的权重分布分析关键通道与频带。贡献不仅是分类模型比较，还包括将模型权重用于构建精简通道配置。 方法与任务：作者设计了观看情绪电影片段的实验并采集 EEG，以提取的差分熵特征作为 DBN 输入，识别 positive、neutral 和 negative 三类情绪，并与 KNN、LR、SVM 等浅层模型比较。摘要将依据 DBN 权重分布探索通道与频带重要性描述为区别于既有工作的做法，但未提供权重汇总规则、通道筛选步骤或具体关键频带。 结果：作者报告，在该电影片段诱发的三分类实验中，DBN 在所比较模型中取得最高平均 Accuracy，为 86.08%。作者进一步识别出包含 4、6、9、12 个通道的四种配置，使用 SVM 分别获得 82.88%、85.03%、84.02%、86.65% 的 Accuracy。摘要未说明这些结果对应的被试内或跨被试协议、数据划分及重复评估方式，因此不能仅据数值认定 12 通道 SVM 优于 DBN，也不能推断减少通道在其他被试或会话中同样有效。 技术核对重点：需结合全文确认 DBN 权重如何映射到通道与频带重要性，以及特征预处理、模型训练和通道选择是否均在相应训练划分内完成。被试人数、记录通道、频带范围、网络结构、实验协议、消融及统计信息尚未验证。模型权重可提供特征重要性的分析线索，但不能直接等同于情绪的生理机制解释；复现还需核对各通道配置的具体电极位置及完整训练与评估流程。

    阅读价值：值得阅读的具体原因是作者利用 DBN 学习权重分析 EEG 情绪识别中的关键通道与频带，并以不同规模通道配置的 SVM 识别结果检验精简输入的可行性，但其跨被试与跨会话有效性尚未验证。

  4. OpenReview · EEG72

    什么拨动了你的心弦？——通过脑成像进行音乐情绪分析的多标签降维

    基于摘要分析。该研究以音乐情绪分析为主要对象，试图寻找音乐因素与多种情绪之间的相关特征，而非直接研究 BCI 控制或 EEG 解码。作者将问题表述为多标签降维：由于一首歌曲可能引发多种情绪，希望获得兼顾信息完整性与紧凑性的特征集合。 核心方法针对硬标签无法表达情绪程度、被试又难以量化主观感受的问题，引入 EEG 信号，提出 EEG-based emotion smoothing（E2S）学习方案和 bilinear multi-emotion similarity preserving embedding（BME-SPE）算法。从方法名称及摘要描述看，框架涉及 EEG 辅助的情绪平滑与多情绪相似性保持嵌入；但 EEG 如何参与标签处理、双线性映射的输入与目标、损失函数、训练及推理流程尚未验证，不能据此认定其实现了连续情绪强度估计。 作者报告在标准数据集 CAL-500 上验证了框架有效性，识别出若干有影响的音乐情绪相关特征，并通过这些特征取得较好的分类表现。摘要未提供具体指标、分数、对照基线或数据划分，因此无法量化收益，也不能判断评估是否涉及被试内、跨被试或跨会话协议。作者还报告依据所识别的相关特征构建了中文音乐数据集，并观察到不同文化的音乐可能具有相似情绪；这一观察不等同于已验证的跨文化泛化能力。 阅读全文时需核对 EEG 采集与预处理、被试与音乐刺激设置、EEG 与音乐情绪标签的对应关系，以及 E2S、BME-SPE 各自的贡献。实验协议、消融及统计信息尚未验证，代码和数据的可获取性亦尚未验证。摘要支持将该工作理解为 EEG 辅助的音乐情绪建模，但不足以确认其识别的相关特征具有因果意义，或可直接用于 BCI。

    阅读价值：值得阅读其利用 EEG 辅助处理音乐情绪硬标签、并以多标签降维寻找紧凑相关特征的思路，但 EEG 的具体使用方式及分类收益尚需全文核对。

1月1日周三
  1. OpenReview · EEG70

    基于流形正则化极限学习机的 EEG 情绪识别

    基于摘要分析。本文研究从观看不同类型电影片段诱发的 EEG 中识别正性、中性和负性三类情绪，提出 manifold regularized extreme learning machine（MRELM，流形正则化极限学习机），以同时利用 EEG 数据的几何结构与判别信息。 方法使用五个频带的微分熵特征进行分类。摘要明确了流形正则化与极限学习机相结合的总体思路，但未提供几何结构的构建方式、正则项与损失函数、训练流程或超参数，因此这些实现细节尚未验证。 作者报告，在使用全部五个频带微分熵特征的评估中，MRELM 的平均 Accuracy 为 81.01%，对照方法 GELM 和 SVM 分别为 80.25% 和 76.62%。摘要未明确这组结果对应的被试内或跨被试协议、数据划分及平均方式，不能将其直接视为跨会话性能。作者还报告，使用高频 β、γ 频带特征得到的 Accuracy 高于低频频带特征，并据此认为 β、γ 与情绪状态变化更相关；这一解释应限定于文中的情绪诱发任务与评估条件。 作者另行开展了训练集与测试集来自不同会话的实验，并认为结果支持 MRELM 在 EEG 情绪识别中的竞争力，但摘要未给出该实验的具体数值。数据集名称、被试数量、会话安排、特征处理与模型选择流程，以及实验协议、消融及统计信息尚未验证。复现时需重点核对流形构建所用数据范围、跨会话划分、正则化参数选择及各对照方法的设置，才能判断性能优势与会话变化下的稳健性。该研究直接针对 EEG 情绪识别，不应据此延伸为其他 BCI 任务中的已验证效果。

    阅读价值：值得阅读之处在于将 EEG 数据的几何结构与判别信息共同用于情绪识别，并开展跨会话评估；其具体正则化机制与跨会话性能仍需全文核对。

1月1日周二
  1. OpenReview · EEG71

    基于深度信念网络的 EEG 情感状态识别

    基于摘要分析。该研究针对 EEG 情感状态识别中高维特征与少量标注样本的不匹配，以及任务无关通道引入噪声的问题，提出 Supervised DBN based Affective State Recognition（SDA）模型，组合特征降维、通道筛选和监督分类。 核心流程是先对每个 EEG 通道分别使用 Deep Belief Networks（DBN），从数千维特征中提取低维表征，再通过作者提出的刺激—响应模型，依据各通道的响应率选择通道集合。最后，将所选通道的低维特征组合，交由监督式 Restricted Boltzmann Machine（RBM）进行情感状态识别。其方法价值在于同时处理特征维度和通道相关性，而不只是直接对全部通道特征进行分类；但降维能否稳定缓解小样本问题，仍需通过完整实验核对。 作者报告，在 Deap Dataset 上与五个基线比较，SDA 的性能提升幅度为 11.5% 至 24.4%。摘要未明确该数字对应的指标、相对增幅还是百分点差，也未提供情感标签定义、被试数量、数据划分或被试内／跨被试协议，因此不能将其解释为 Accuracy 提升，也不能据此判断跨被试泛化能力。 复现需核对输入特征构成、DBN 结构与训练流程、通道响应率的定义及筛选规则、监督式 RBM 的训练目标，以及基线配置和评估协议。尤其需要确认特征学习与通道选择在数据划分中的执行范围，以评估结果的可比性。全文、实现可用性、实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的是其将逐通道 DBN 降维、刺激—响应通道选择与监督式 RBM 分类结合，以应对 EEG 情感状态识别中的高维小样本与无关通道问题，但摘要中的性能提升仍需结合具体指标及数据划分核对。