.png){kind=icon}
返回
EEG-based emotion recognition for machine intelligence: a survey with an open-source Python toolbox
.png){kind=icon}
OA
AI
DOI：10.1093/nsr/nwag460.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文综述了基于脑电图的情绪识别（EEG-ER），该任务利用大脑电活动解码真实情绪。作为机器情感智能的关键研究领域，EEG-ER已获得广泛关注。尽管近期资源如TorchEEG和LibEER提供了有价值的编程库，但它们主要将EEG-ER视为纯数据驱动任务，忽视了连接神经生理学理论与计算流程设计的关键环节。为解决此问题，我们引入开源Python工具箱EEGEmoLib，并附以方法论综述，明确将心理学和神经科学先验知识整合到算法设计中。与现有综述不同，我们提供结构化量化框架，整合8个多样化公开数据集，并实现18类手工特征及其自适应特征权重模块、11种特征选择方法、5种代表性传统机器学习模型以及15种代表性深度学习模型（涵盖卷积、序列、图和Transformer架构）。利用这一统一代码库，我们在标准化的被试依赖和被试独立协议下进行严格基准测试。我们的比较分析揭示了两个具体的方法学见解：（i）显式建模神经生理学先验（如半球不对称性和特定频带重要性）可在某些情况下提升识别性能，其效果是模型依赖而非普适的；（ii）尽管大容量Transformer模型通常在被试依赖场景中表现强劲，但较浅网络或显式领域自适应模型可展现更好鲁棒性。本文讨论了详细实验结果、方法论陷阱及待解决问题以指导未来研究。Python工具箱EEGEmoLib公开可访问于https://eegemolib.github.io。
期刊
IF:
17.1
论文数:
3.8K
被引数:
2.0W
机构
引用论文
EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysisEEGLAB: 用于分析单次试验EEG动态的开源工具箱，包括独立成分分析
OAAI
OAAI分享收藏分享收藏Machine Memory Intelligence: Inspired by Human Memory Mechanisms机器记忆智能：受人类记忆机制启发.png)
EngineeringOAAI
EngineeringIF11.6
OAAI分享收藏
查看更多内容