深度学习在脑电情感识别方面的应用研究进展

发布时间：2022-02-21 12:19

　　情绪状态在人与人的交流中发挥重要作用,人类脑电信号（EEG）在情绪识别上的应用具有良好的效果。目前深度学习算法在脑电信号情绪识别上的研究主要针对两个目标,一是提高情感识别的平均准确率;二是对多维情感进行多分类准确识别。文章在二分类、三分类、四分类三个方面概述了近几年深度学习应用于EEG情绪识别的研究进展,总结了深度学习算法在脑电信号（EEG）解码情感状态中一些仍待解决的关键问题和发展方向。 

【文章来源】：计算机时代. 2020,(08)

【文章页数】：4 页

【文章目录】：
0 引言
1 论述
    1.1 研究进展
        ⑴ 二分类研究进展
        ⑵ 三分类研究进展
        ⑶ 四分类研究进展
    1.2 未来发展方向
2 结论


【参考文献】：
期刊论文
[1]基于时序卷积网络的情感识别算法[J]. 宋振振,陈兰岚,娄晓光.  华东理工大学学报(自然科学版). 2020(04)
[2]面向情绪识别的脑电特征研究综述[J]. 张冠华,余旻婧,陈果,韩义恒,张丹,赵国朕,刘永进.  中国科学:信息科学. 2019(09)
[3]面向情感语音识别的情感维度PAD预测[J]. 孙颖,胡艳香,张雪英,段淑斐.  浙江大学学报(工学版). 2019(10)
[4]深度学习算法在脑电信号解码中的应用[J]. 韦梦莹,李琳玲,黄淦,唐翡,张治国.  中国生物医学工程学报. 2019(04)
[5]脑电波情绪分类算法的研究[J]. 马新斐,刘志宏,姜添浩.  成都信息工程大学学报. 2018(04)
[6]基于集成卷积神经网络的脑电情感识别[J]. 魏琛,陈兰岚,张傲.  华东理工大学学报(自然科学版). 2019(04)
[7]基于数据空间自适应与共空间模式的脑电情感分类[J]. 陈景霞,郑茹,张鹏伟,贾小云.  计算机工程. 2019(04)
[8]基于深度信念网络脑电信号表征情绪状态的识别研究[J]. 杨豪,张俊然,蒋小梅,刘飞.  生物医学工程学杂志. 2018(02)
[9]基于自回归小波包熵特征融合算法的情感识别研究[J]. 李昕,孙小棋,王欣,史春燕,康健楠,侯永捷.  生物医学工程学杂志. 2017(06)
[10]基于SAE和LSTM RNN的多模态生理信号融合和情感识别研究[J]. 李幼军,黄佳进,王海渊,钟宁.  通信学报. 2017(12)

硕士论文
[1]基于深度学习和脑电信号的情感分类方法研究[D]. 侯晓莹.山东大学 2019



本文编号：3637241