[1] Soraia M. Alarcão,Manuel J. Fonseca. Emotions Recognition Using EEG Signals: A Survey.[J]. IEEE Trans. Affective Computing,2017,10(3): 374-393.
此文为脑电情绪研究的总体陈述,包括脑电介绍、数据集介绍、实验方法、注意事项等,入门级。
[2] Aldayel M , Ykhlef M , Al-Nafjan A . Deep Learning for EEG-Based Preference Classification in Neuromarketing[J]. Applied Sciences, 2020, 10(4):1525.
神经营销,把基于脑电数据的情绪识别应用在经济消费领域,是跨领域的一篇,推荐
[3] Murugappan M , Murugappan S , Balaganapathy, et al. Wireless EEG signals based Neuromarketing system using Fast Fourier Transform (FFT)[C]// 2014 IEEE 10th International Colloquium on Signal Processing & its Applications (CSPA). IEEE, 2014.
有关于EEG的快速傅里叶变换的会议文献
[4] 应鑫. 基于多生理信号的情绪识别研究[D].南京邮电大学,2021.
[5] 张凯翔. 音乐诱发下基于脑电信号的情绪识别研究[D]. 浙江大学, 2019.
[6] 段若男. 基于脑电信号的视频诱发情绪识别[D]. 上海交通大学, 2014.
对于SEED数据集做了多种机器学习的情绪识别研究,比较典型
[7] Hosseini S A , Naghibi-Sistani M B . Emotion recognition method using entropy analysis of EEG signals[J]. International Journal of Image Graphics & Signal Processing, 2011, 3(5):30-36.
脑电特征有很多,此文献选择熵作为研究方向,归纳综述了各种可用于脑电特征研究的熵及其算法。
[8] 何清,李宁,罗文娟,史忠植.大数据下的机器学习算法综述[J].模式识别与人工智能,2014,27(04):327-336.
[9] 苏建新. 基于脑电信号的情绪识别研究[D]. 南京邮电大学.
选取了样本熵、近似熵、排列熵作为情绪脑电特征,基于DEEP数据集以机器学习方法得出准确率,二分类效果较好,论文中包含伪代码,可以参考。
[10] 金忠星, 李东. 消费者偏好预测的深度学习神经网络模型[J]. 计算机应用, 2019, 39(7):6.
神经网络分类可以看这篇
[11] 张晓夏. 基于神经生理学的丝织物手感认知机理研究[D]. 苏州大学, 2015.
[12] 许志炜,YANSONG HU,孟莎,等. 消费者购买决定与前额叶脑活动的不对称性——来自EEG的证据[J]. 心理科学, 2021,44(3):659-666.
[13] 鲁在清. 脑电图的发现及发展简史[J]. 现代电生理学杂志,2012,19(2):113-115.
[14] 胡理,张治国等. 脑电信号处理与特征提取[M].科学出版社,2020.
在b站搜脑电信号处理与特征提取,有各位老师分享的直播课,这本书可以看一看,有很多关于特征处理的知识点。BV1Sg411775g
[15] 张发华,舒琳,邢晓芬.头皮脑电采集技术研究[J].电子技术应用,2017,43(12):3-8.
如果实验室没人教,要做实验,看这本书参考。
[16] 王晓韡,石立臣,吕宝粮.干电极脑电采集技术综述[J].中国生物医学工程学报,2010,29(05):777-784
实验采集过程和注意事项,基于干电极的采集。
[17] Zheng W L,Zhu J Y, Lu B L. Identifying Stable Patterns over Time for Emotion Recognition from EEG.[J]. IEEE Trans. Affective Computing,2019,10(3):417−429.
在此文中,使用机器学习方法进行情绪识别,探求随时间的稳定模式。时域上研究的文献。
[18] Ekman P. An argument for basic emotions[J]. Cognition & Emotion,1992,6:3-4.
情绪理论基础
[19] Russell J A , Pratt G . A description of the affective quality attributed to environments.[J]. Journal of Personality & Social Psychology, 1980, 38(2):311-322.
环境影响描述,也是情绪理论基础
[20] KOELSTRA S, MUHL C, SOLEYMANI M, et al. DEAP: A Database for Emotion Analysis Using Physiological Signals [J]. IEEE Trans Affect Comput, 2012, 3(1): 18-31.
DEAP数据集,详细的介绍包括素材选择、实验步骤和后续数据处理方法
[21] Zheng W L , Lu B L . Investigating Critical Frequency Bands and Channels for EEG-Based Emotion Recognition with Deep Neural Networks[J]. IEEE Transactions on Autonomous Mental Development, 2015, 7(3):1-1.
深度神经网络
[22] Morales S , Bowers M E . Time-frequency analysis methods and their application in developmental EEG data[J]. Developmental cognitive neuroscience, 2022,54:101067.
时频分析方法
[23] 付雨桐,杨志,姚黎清. 事件相关电位在脑卒中患者中的应用 进展[J]. 中国医学物理学杂志, 2019, 36(7): 858-863.
[24] 聂聃,王晓韡,段若男,等. 基于脑电的情绪识别研究综述[J]. 中国生物医学工程学报,2012,31(4):595-606.
推荐看的综述
[25] 梁椰舷,李婷,姬昊余. 多通道连续卷积神经网络脑电信号情绪识别[J]. 计算机系统应用,2023,32(1):399-405.
[26] Moca V V , Brzan H , Nagy-Dbcan A , et al. Time-frequency super-resolution with superlets[J]. Nature Communications, 2021, 12(1):1-18.
超级小波变换,近年来比较新的时频分析方法
[27] Patel P , Raghunandan R , Annavarapu R N . EEG-based human emotion recognition using entropy as a feature extraction measure.[J]. Brain Informatics, 2021(1):8-20.
熵的应用
[28] 李立,曹锐,相洁. 脑电数据近似熵与样本熵特征对比研究[J]. 计算机工程与设计,2014,35(3):1021-1026.
[29] 张世麟, 郑向伟, 孙晓芳,等. 基于脑网络和多尺度排列熵的脑电信号情绪识别方法:, CN202111553251.9[P]. 2022.
[30] 周梦妮,崔会芳,曹锐,等. 基于排列熵和支持向量机的癫痫发作预测研究[J]. 计算机应用研究,2019,36(6):1696-1699.
[31] 龙佳伟,郑威,刘燕,等. 基于排列熵和CSP融合的脑电信号特征提取[J]. 计算机技术与发展,2022,32(3):157-162,168.
[32] 王慧云,窦大庆,曹锐,等. 用于癫痫EEG分析的排列模糊熵新算法[J]. 太原理工大学学报,2017,48(1):91-96.
[33] 胡剑锋,王涛涛. 基于脑电信号模糊熵的驾驶疲劳检测分析[J]. 中国安全科学学报,2018,28(4):13-18.
[34] 刘慧,谢洪波,和卫星,等. 基于模糊熵的脑电睡眠分期特征提取与分类[J]. 数据采集与处理,2010,25(4):484-489.
[35] 秦天鹏,生慧,岳路,金卫.脑电信号情绪识别研究综述[J/OL]. 计算机工程与应用:1-20[2023-05-23]. http://kns.cnki.net/kcms/detail/11.2127.tp.20230224.1004.006.html
[36] Chen W , Wang Z , Xie H , et al. Characterization of Surface EMG Signal Based on Fuzzy Entropy[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2007, 15(2):266-272.
模糊熵的应用
[37] 席爱民. 模糊控制技术[M]. 西安电子科技大学出版社, 2008.
[38] Michael A. Busa,Richard E.A. van Emmerik.Multiscale entropy: A tool forunderstanding the complexity of postural control[J]. Journal of Sport and Health Science,2016,5(1):44-51.
多尺度熵
[39] Bandt C , Pompe B . Permutation Entropy: A Natural Complexity Measure for Time Series[J]. Physical Review Letters, 2002, 88(17):174102.
排列熵
[40] Cao Y , Tung W W , Gao J B , et al. Detecting dynamical changes in time series using the permutation entropy[J]. Phys Rev E Stat Nonlin Soft Matter Phys, 2004, 70(4 Pt 2):046217.
排列熵捕获动态变化
[41] Chew L H , Teo J , Mountstephens J . Aesthetic preference recognition of 3D shapes using EEG[J]. Cognitive Neurodynamics, 2016,10(2):165.
情绪在3D图形审美偏好上的应用