我们提出了一种基于实时情绪分类系统（RECS）的Logistic回归（LR），该系统使用随机梯度下降（SGD）算法在线训练。通过使用EEG信号流在线训练模型，所提出的RECS能够实时地对情绪进行分类。为了验证RECS的性能，我们使用了DEAP数据集，这是情绪分类中使用最广泛的基准数据集。结果表明，该方法能有效地从脑电数据流中实时分类情绪，与其他离线和在线方法相比，该方法具有更好的准确性和F1评分。 1.我们开发了一个实时情绪分类系统，使用随机梯度下降（SGD）算法在线训练的逻辑回归（LR）。在我们的例子中，我们使用EEG数据作为生理数据流。EEG数据以流的形式出现，情绪状态被实时分类。 2.我们已经证明，我们提出的RECS分类器可以优于最先进的在线流媒体分类器方法；也就是说，我们考虑了五种在线分类器：霍夫丁树（HT）、自适应随机林（ARF）、动态加权集成（DWE）、加法专家集成（AEE）和霍夫丁自适应树（HAT）。我们还比较了八种离线模式的机器学习方法，包括支持向量机（SVM）、多层感知器（MLP）和决策树（DT），以及文献中的五种在线分类器（朴素贝叶斯、支持向量机、隐马尔可夫模型（

为实现运动想象脑电信号的精准分类，提出以Levenberg－Marquardt算法（LM）替代BP神经网络构造分类器来提高分类识别率。实验以2008年BCI竞赛信号采集模式为标准，使用Emotive Epoc＋采集四类运动想象脑电信号，对采集的信号进行滤波去燥后，利用主成分分析提取特征值；然后分别用LM算法和BP神经网路进行分类识别做对比；最后基于MATLAB GUI设计串口通信界面与Arduino智能车链接验证算法的可行性。结果证明：该方法训练平均误差为5.630 6×10-7，分类准确率为86%，BP算法相对应为0.001 4、56%。相对比可知LM算法分类效果良好，验证过程中，智能车运行与算法识别方向一致，运行良好。此方法切实可行，为后期进一步开发脑机接口奠定了基础。

很少有用生成对抗网络（GAN）来进行DEAP的脑电情绪识别。重点是构建生成对抗网络（GAN）和条件生成对抗网络（CGAN）模型。采用的是Pytorch深度学习框架。

目前神经科学与信息科学交叉发展的一个重要方向是面向高级认知功能的神经系统模型的构建，其标志着人类对自身特有的心智活动的研究进入到一个新阶段。简要综述了关于视觉审美体验的生理基础研究的进展，指出大脑神经回路是视觉审美体验的生理基础，其所涉及的大脑皮层和脑组织在视觉情感感知中功能的科学解析是构建类脑计算模型的基础。分别介绍了神经信息学、神经认知科学和神经美学框架下的视觉审美体验的类脑计算模型，并对模型进行了比较分析。对视觉审美体验的类脑计算模型研究的发展趋势进行了展望，阐述了该领域研究的意义。视觉审美体验类脑模型的构建有助于揭示大脑皮层和脑组织在视觉情感感知中的功能，有助于实现视觉情感体验的认知模拟。

使用肌肉协同作用识别脑损伤患者的等张前臂运动

设计并进行实验，以产生情绪反应，并分析相应的生理信号 使用当前的机器学习技术，对能够通过EEG信号数据预测情绪状态（自我评估）的分类器进行建模和训练 通过5倍交叉验证进行评估 时域：根据试验数据训练3个深度卷积网络 60%的准确率 频域：输入PSD，标准多层感知器 准确率53%

反脑控项目是一种高科技的整人工具，用这种方法可以把人整的非常透明，Thought echo(TE)

这篇论文的思路特别好： 我们提出了一种用于脑电情感识别的端到端深度学习方法。该神经网络综合考虑了脑电信号的空间信息、时间信息和注意力信息。将CNN,RNN和通道注意力机制（channel-wise attention）和扩展自我注意力机制（self-attention mechanisms）混合起来，同时通过通过注意力机制计算出各个通道权重，筛选出更有价值的通道。同时采用DE作为频域特征，结合时域特征和空间特征三大特征相融合考虑。模型方面：CNN+RNN（CNN-RNN）、通道性注意机制+CNN+RNN（A-CNN-RNN）和CNN+RNN+扩展自我注意机制（CNN-RNN-A）、连续卷积神经网络（Conti-CNN）、图卷积神经网络（GCNN）和卷积复发注意力模型（CRAM）。介绍了六种深度学习方法和两种传统方法进行比较，六大模型相互对比，在DEAP数据库的效价和觉醒分类任务中，平均情绪识别准确率分别为92.74%和93.14%！希望大家能好好理解阅读。 我们将通道性注意整合到CNN中，CNN可以提取空间注意特征，通道性注意可以提取通道间的注意信息。

运行了几个机器学习模型，根据DEAP数据集对4种维度的情绪进行分类：唤醒、效价、喜欢/不喜欢和支配。使用了两种类型的特征提取工具：快速傅立叶变换（FFT）和连续小波变换（CWT），并比较了它们在情绪分类任务中的结果。 将FFT和CWT分别结合CNN，并进行对比，最终与普通的机器学习模型做对比， 本项目实现了： 1. 模拟和实验模型设置的细节，以及详细介绍了使用的超参数，并介绍了所有模型的细节。 2. 介绍并讨论从运行FFT和CWT特征提取算法的模型中获得的结果，以及与其他最先进（SOTA）模型的比较。 3. 总结报告，并讨论了未来在脑电信号处理领域中使用深度学习技术来缓解数据非平稳性的工作。还将讨论处理EEG信号的其他方法。

提出了一种基于时频域特征的情绪检测方法。使用Box-and-whisker plot（箱线图）选择最佳特征，然后将其输入SVM分类器，用于训练和测试DEAP数据集，其中考虑了32名不同性别和年龄组的参与者。实验结果表明，该方法对测试数据集的准确率为92.36%。此外，所提出的方法比最先进的方法表现出更高的准确性。 本文利用DEAP数据集预处理的脑电信号对两种维度进行四分类，即效价和觉醒。首先通过应用FFT将数据集中的样本从时域转移到频域，然后提取对情绪识别特别重要的α、β和θ频带。随后，根据每个情绪对应的象限对提取的频带进行平均，并使用平均频带值提取统计特征。然后，对提取的特征进行缩放，并将各种特征组合输入支持向量机分类器（SVM）进行情感识别。据观察，我们的方法使用偏度、峰度和波熵特征预测情绪，准确率为92.36%。与现有的DEAP数据集方法相比，我们提出的模型显示了更好的结果。