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。

126 条精选近 30 天 19 条共收录 303 条

更新

精选归档 · 第 7 页

1月1日周一第 121–126 条
  1. OpenReview · EEG70

    用于 EEG 情绪识别的 WGAN 域适应

    基于摘要分析。本文研究跨被试 EEG 情绪识别中的域偏移问题，提出 Wasserstein 生成对抗网络域适应框架 WGANDA，通过公共特征空间映射和对抗对齐，缩小源域与目标域的特征分布差异。 核心机制是由类似 GAN 的组件构成两阶段训练流程：预训练阶段将源域和目标域映射到共同特征空间；对抗训练阶段进一步缩小两域映射在该空间中的差距。作者在对抗训练中采用 Wasserstein GAN 梯度惩罚损失，旨在改善训练稳定性与收敛性。摘要未提供网络结构、完整损失公式、各项权重及训练配置，因此不能据此判断具体实现或收敛保证的适用条件。 作者报告，在 SEED 和 DEAP 两个公开 EEG 情绪识别数据集的跨被试评估中，WGANDA 能够处理域偏移，并显著优于所比较的先进域适应方法。摘要没有给出具体指标、数值、基线名称、被试划分或统计检验，因而尚不能量化提升幅度，也不能直接比较两个数据集上的效果。 复现时需核对源域与目标域的构建方式、目标域标签是否参与训练、EEG 预处理与特征提取、训练及测试数据划分，以及预训练和梯度惩罚各自的贡献。实验协议、消融及统计信息尚未验证；该结果针对 EEG 情绪识别，不能据此扩展为其他 BCI 任务的已验证效果。

    阅读价值：值得阅读的具体原因是 WGANDA 将公共特征空间映射与带梯度惩罚的 Wasserstein 对抗训练结合，用于处理跨被试 EEG 情绪识别的域偏移；其相对优势仍需核对完整实验协议与统计证据。

1月1日周日
  1. OpenReview · EEG73

    使用稳健主成分分析改进跨日 EEG 情绪分类

    基于摘要分析。本研究针对 EEG 情绪响应随日期变化、导致既有预测模型难以泛化到新日期的问题，提出基于稳健主成分分析（Robust Principal Component Analysis，RPCA）的信号过滤策略，用于改善跨日快乐与悲伤二分类。 核心机制是利用 RPCA 分解得到的稀疏信号（RPCA-S）构建分类特征。作者报告，RPCA-S 能过滤对跨日变异贡献较大的背景 EEG 活动，并主要保留跨日相对一致的情绪相关 EEG 振荡。这里的“稀疏”指分解所得信号成分，不应直接理解为稀疏通道选择；具体矩阵构造、分解参数及特征提取方式尚未验证。 研究使用 12 名被试在音乐聆听任务中采集的五日 EEG 数据，采用 add-day-in 验证方案：训练数据由一个记录日逐步增加至四个记录日，并在随后一个未见日期上测试。作者报告，在该跨日协议下，RPCA-S 的信息性特征数量从 12.67 ± 5.99 增至 20.83 ± 7.18，Accuracy 从 58.31 ± 12.33% 增至 64.03 ± 8.40%。摘要未说明“±”所代表的统计量及结果汇总方式。作为对照，作者报告未经 RPCA 处理的原始 EEG 特征分类 Accuracy 约为机会水平，且未随训练日期增加呈现相同改善。 该研究的直接价值在于考察跨会话中的跨日非平稳性，而非仅评估同日分类表现。结果支持作者提出的 RPCA-S 过滤策略在该音乐诱发情绪任务中的可行性，但不能据此推断其已适用于其他情绪诱发方式、跨被试分类或其他 BCI 任务。复现时需核对 RPCA 分解是否涉及测试日数据、特征选择与分类器训练的边界、日期划分及参数选择流程；这些属于待核实事项，不构成对数据泄漏的判断。实验协议细节、消融及统计信息尚未验证。

    阅读价值：值得阅读的是其以逐日增加训练数据、预测随后未见日期的协议检验 RPCA 对跨日 EEG 情绪分类的作用，但分解流程及统计可靠性仍需全文核对。

  2. OpenReview · EEG71

    EEG 情绪识别中的熟悉度效应

    基于摘要分析。该研究考察音乐刺激熟悉度对 EEG 脑活动及情绪识别的影响，使用作者自采实验数据与 DEAP dataset，探讨这一主观因素是否影响情绪标注和分类表现。 实验设计方面，作者在熟悉度研究中允许被试选择数量相同的熟悉与不熟悉歌曲，并强调音乐体验中的情绪具有主观性，因此应记录被试自我报告的情绪。摘要未提供被试数量、熟悉度量表、情绪标签定义或具体样本划分，不能据此判断结论是否适用于被试内、跨被试或跨会话识别。 作者报告，音乐熟悉度在一定程度上影响 EEG 功率谱及脑功能连接。在进一步的情绪识别实验中，作者报告，仅使用低熟悉度歌曲可改善采用 fractal dimension（分形维数）或 power spectral density（功率谱密度）特征，并使用 support vector machine、multilayer perceptron 或 C4.5 分类器的系统表现。摘要没有给出具体指标、提升幅度及各特征—分类器组合的结果，不能确定这一优势是否在全部组合中一致成立。 这项工作的主要贡献是揭示刺激熟悉度可能影响 EEG 情绪识别，而非提出新的分类架构。作者据此认为不熟悉歌曲更适合构建情绪识别系统，但这一结论的适用范围仍需核对：熟悉度是否与歌曲属性、情绪强度或个体偏好共同变化，以及训练与测试刺激如何分配。完整实验协议、消融及统计信息尚未验证；复现需取得刺激选择与熟悉度记录方式、情绪自评流程、EEG 预处理、特征计算和分类评估设置。该摘要不支持将其结论直接推广至其他刺激类型或一般 BCI 任务。

    阅读价值：该研究值得用于核对音乐刺激熟悉度是否构成 EEG 情绪识别的实验混杂因素，作者报告的低熟悉度刺激优势仍需结合数据划分与统计结果验证。

1月1日周四
  1. 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。

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。