本文提出了一种新的情绪识别模型，该模型以脑图为输入，以唤醒和效价为输出提供情绪状态。脑图是从脑电信号中提取的特征的空间表示。该模型被称为多任务卷积神经网络（MT-CNN），使用微分熵（DE）和功率谱密度（PSD），并考虑0.5s的观察窗口，由四种不同频段的不同波（α、β、γ和θ）的叠加脑图构成。该模型在DEAP数据集上进行训练和测试，DEAP数据集是一个用于比较的著名数据集。该模型的准确度在价态维度上为96.28%，在唤醒维度方面，获得了96.62%的准确率，这项工作表明，MT-CNN的性能优于其他方法。 模型为二维卷积神经网络。该模型的输入是一个脑图，它是EEG信号的空间谱表示。该模型由四个二维卷积层、一个完全连接层以及上述每个层之后的dropout和批量归一化层组成。最后，输出到两个流：前者用于分类受试者的配价水平，后者用于唤醒水平。ReLU用作激活功能。分类层使用一个sigmoidal函数来获得类似概率的输出。对模型进行了收敛性训练。

基于DEAP的脑电情绪识别（基于CNN的多目标进化算法选择的人类情绪与脑电图通道的二维区分)，采用的tensorflow框架，模型为深度卷积神经网络模型

在本文中，我们提出了一个双重模型，考虑了脑电特征图的两种不同表示：1）基于序列的脑电频带功率表示，2）基于图像的特征向量表示。我们还提出了一种基于图像模型显著性分析的信息组合方法，以促进两个模型部分的联合学习。该模型已在四个公开可用的数据集上进行了评估：SEED-IV、SEED、DEAP和MPED。 在本文中，我们提出了一个新的框架，旨在估计情绪的脑电图。该模型由一种双重方法组成，该方法通过层次RNN考虑脑电通道之间的空间关系，通过CNN考虑DL表示。所提出的方法在三个数据集上显示了很好的结果。

在本文中，我们提出了一种多尺度卷积神经网络TSception，用于从脑电图（EEG）中学习时域特征和空间不对称性。TSception由动态时间层、非对称空间层和高层融合层组成，这些层同时学习时间和通道维度上的区别表示。动态时间层由多尺度一维卷积核组成，其长度与脑电信号的采样率有关，学习脑电的动态时间和频率表示。非对称空间层利用情绪反应背后的非对称神经激活，学习辨别性的全局和半球表征。学习到的空间表示将通过高级融合层进行融合。使用更广义的交叉验证设置，在两个公开可用的数据集DEAP和MAHNOB-HCI上对所提出的方法进行了评估。该网络的性能与之前报道的方法进行了比较，如SVM、KNN、FBFgMDM、FBTSC、无监督学习、DeepConvNet、ShallowConvNet和EEGNet。在大多数实验中，与比较的方法相比，我们的方法获得了更高的分类精度和F1分数。

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（

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。

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%

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。