基于EEG信号的情绪分析数据库DEAP论文调研

转自：https://blog.csdn.net/qrlhl/article/details/72128215#comments

说明：目前已经不从事相关研究，数据集并无备份，抱歉！

DEAP数据库包含了对于40个实验，32位受试者的32导联脑电数据，情绪标签（Russell二维情绪空间）由受试者给出，可以用来测试情绪分类算法的有效性。以下调研针对的是2016-2017年采用DEAP数据库进行情感分类的论文。

序号	年份	题目	预处理	特征	模型	结果	简介
1	2017	Using Deep and Convolutional Neural Networks for Accurate Emotion Classification on DEAP Dataset	DEAP数据集默认预处理	将8094个数据点分为10个batch,每个batch提取均值、中位数、最大值、最小值、标准差、方差、取值范围、偏度和峰态共计9个特征	DNN和CNN	valence and arousal DNN二分类75.78%、73.125% DNN三分类58.44%、55.700% CNN二分类81.406%、73.36% CNN三分类66.79%、57.580%”	宣称state of art
2	2016	A three-stage decision framework for multi-subject emotion recognition using physiological signals	将一分钟的数据段以长度为4，步长为2的滑动窗口进行分段	在每段上计算alpha和beta波段的能量、beta和theta波段的能量比率、3个Hjorth参数、C0复杂度、方差和谱熵共计9个特征	KNN和 RF	四类情绪 average correct recognition rate (CRR) 70.04%	去除了一些样本间一致度差的视频，共选取17个视频作为实验数据，同时去除了EOG信号，数据变为38导联；算法流程为传统的机器学习/算法流程
3	2016	Gaussian Process Dynamical Models for Multimodal Affect Recognition	DEAP数据集默认预处理	高斯过程隐变量模型（GP-LVM）一种无监督降维方法适合处理小样本高维数据	SVM	valence and arousal三分类88.333±6.001% 90.556±7.691%	无
4	2016	Emotion Recognition Using Multimodal Deep Learning		DEAP数据集默认预处理 将同一时间段（1秒），不同通道的信号组合成一个向量，输入到Bimodal Deep AutoEncoder中，产生特征	SVM	Valence Arousal Dominance Liking 二分类 85.2%、80.5%、84.9%、82.4%	编码阶段将脑电数据与眼电数据分开建模，解码阶段再组合到一起，形成高阶特征表示
5	2017	Electroencephalography-Based Emotion Recognition Using Gray-Level Co-occurrence Matrix Features	DEAP数据集默认预处理	基于灰度共生矩阵Gray-Level Co-occurrence Matrix (GLCM)的特征	KNN	分类标准无参考价值	特征向量的选取方式：The input feature vector of each emotion for classification is the average value of all 32 subjects
6	2016	Distributed Processing of Biosignal-Database for Emotion Recognition with Mahout	DEAP数据集默认预处理	K-means	RF	分类标准无参考价值	分布式计算，方法无明显参考价值
7	2016	Emotion recognition from EEG signals by using multivariate empirical mode decomposition	DEAP数据集默认预处理	将多元经验模式分解产生的IMF归一化并在其中提取特征（PSD、熵等10个特征），再经过ICA进行处理，输入分类器	KNN/ANN	valence and arousal 二分类 72.87±4.68% 75.00±7.48%”	文章严谨，内容翔实
8	2016	Bispectral Analysis of EEG for Emotion Recognition	去除实验前3s的信号，用butterworth滤波器选择出theta、alpha、beta三个波段	在三个频段上分别计算bispectrum	SVM/ANN	valence and arousal 二分类 61.17%、64.84%	(1)只采用Fp1和Fp2两个通道 (2)结果显示后30s分类效果更好 (3)结果显示单一的波段分类效果更好 (4)采用了特征后向搜索
9	2016	Familiarity effects in EEG-based emotion recognition	将数据集按照熟悉度（familiarity）分为低熟悉度（1-2分）和高熟悉度（3-5分）两部分	分形维度（FD）和功率谱密度（PSD）	SVM/多层感知机/C4.5决策树	valence and arousal 二分类 73.30%、72.50%”	(1)将熟悉度引入实验中(2)文章提供进行实验的参数和标准 (3)熟悉度对分类结果影响很大 (4)文章严谨，内容翔实
10	2016	Feature Extraction for Emotion Recognition and Modelling using Neurophysiological Data	(1)去除实验前3s的信号 (2)只用Fp1、Fp2、F3、F4 (3)采用ParksMcClellan算法以及切比雪夫有限脉冲响应滤波器提取出alpha、beta、delta、theta四个波段	(1)统计特征：均值、标准差、一阶差分的均值、归一化的一阶差分的均值、二阶差分的均值、归一化的二阶差分的均值 (2)每个波段提取PSD特征 (3)高阶过零分析（HOC）：对时间序列滤波后进行过零分析	SVM	分类标准无参考价值	结果显示统计特征可取得较好的效果
11	2016	PNN for EEG-based Emotion Recognition	(1)去除实验前3s的信号 (2)以长度为8，步长为4的窗将60s的数据分为14段	将EEG信号分为 theta、alpha、beta、gamma四个波段，利用FFT计算功率作为特征（附计算方法）	PNN	valence and arousal 二分类 81.21%、81.76%	(1)用 RelifF算法对32个通道进行特征选择 (2)高频段对分类精度的贡献大
12	2016	Robust modeling of continuous 4-D affective space from EEG recording	去除实验前3s的信号	半球不对称性 FP1-FP2, F3-F4, F7-F8, C3-C4, P3-P4的幅值平方相干估计，再选择100个components的PCA进行处理	SVR/ Ensemble method	做的是回归分析，指标是均方根误差，对分类无参考价值	(1)用RFE算法进行特征选择 (2)gamma波段可有效降低Valence and Like的分类错误率，beta也差不多 (3)alpha、beta、gamma、theta在降低Arousal and Dominance的预测误差上表现差不多 (4)揭示了四种指标最重要的通道和波段的对应关系 (5)采用集成学习的方法进行分类 (6)文章严谨，内容翔实”
13	2016	EEG-Based Emotion Recognition Approach for E-Healthcare Applications	用离散小波变换将EEG信号分解为Delta, Theta, Alpha, Beta, Gamma五个波段	小波能量、modified energy、小波熵、统计特征(均值、标准差、一阶差分的均值、归一化的一阶差分的均值、二阶差分的均值、归一化的二阶差分的均值)	二次判别分析/KNN/SVM	四类情绪 SVM分类精度最高，分别为 84.95%、84.14%、86.12%、83.25% 总体精度为83.87%	只用Fp1、Fp2、F3、F4四个通道
14	2016	Affective States Classification using EEG and Semi-supervised Deep Learning Approaches	将40s的数据以长度为4s的窗口进行分割	Theta, Alpha, Lower Beta,Upper Beta and Gamma每个频段分为3个子频段，在每个子频段上用短时傅里叶变换计算PSD	堆叠降噪自动编码机、深度信念网	Arousal Valence Liking 二分类 88.33%、88.59%、89.20%	(1)采用半监督学习 (2)只用后40s的数据进行实验 (3)用one-way ANOVA (ANalysis of VAriance)进行特征选择 (4)DBN效果最好
15	2016	Online Music Emotion Prediction on Multiple Sessions of EEG Data Using SVM	不是DEAP数据库，无参考意义	PSD	SVM	不是DEAP数据库，无参考意义	(1)提出在每段记录中，EEG信号的非平稳性存在差异 (2)将liking作为额外的特征 (3)之前的工作都是记录一整段EEG信号，没有考虑在多种情况下的分类问题，不能很好的用于现实世界 (4)采用归一化的方法增强鲁棒性
16	2016	Error-correcting output codes for multi-label emotion classification	不是基于机器学习的方法，无参考意义	传统功率特征和统计特征（除EEG外，其他8个通道生理信号也有相应的特征）	冗余编码（基于通信领域的知识）	Arousal Valence Dominant Liking 65%、67%、67%、69%	将情绪分类看作是一种如何从信道中获取被噪声污染后的信号里包含的信息，另外文章没有采用机器学习的方法
17	2016	Wavelet Based Emotion Recognition Using RBF Algorithm	分别采用DFT和小波变换将EEG数据分为5个波段	统计特征+信号能量	RBF和多层感知机	分类标准含混不清，无参考意义	只用了11个样本的枕部数据(Oz、O1、O2) 将敏感性和特异性作为评价指标”
18	2016	Brain and Music: Music Genre Classification using Brain Signals (EUSIPCO)	三位试听者为音乐分类	theta,alpha,beta,gamma 每个波段用长度为128点的窗计算谱功率，每个波段一共60个特征	SVM	pop rock 75% ± 0.05	相比于传统的以内容为中心的音乐分类，文章提出一种以用户为中心的音乐类型分类 将EEG与多媒体特征相结合进行分类”
19	2016	Incorporating social media comments in affective video retrieval	没用EEG信号，无参考意义	没用EEG信号，无参考意义	没用EEG信号，无参考意义	没用EEG信号，无参考意义	将视频特征、音频特征以及用户评论特征结合到一起进行视频所涉及到的情感分类
20	2016	Improving BCI-based emotion recognition by combining EEG feature selection and kernel classifiers	DEAP数据集默认预处理	从统计特征、带宽功率(Band Power)、Hjorth parameters、分形维度中运行特征选择算法进行选择	SVM	Arousal and Valence 二分类 73.06% 73.14% 三分类 60.70% 62.33% 五分类 46.69% 45.32%	(1)minimum-Redundancy-Maximum-Relevance特征选择算法，选择出的特征少但判别性更强 (2)只用了14个通道的数据 (3)最多做到了五分类，该模型更适合多分类”
21	2017	Time-frequency analysis of EEG for improved classification of emotion	下载不到	——————	——————	——————	——————
22	2016	A More Complete Picture of Emotion Using Electrocardiogram and Electrodermal Activity to Complement Cognitive Data	没用EEG信号，无参考意义	没用EEG信号，无参考意义	没用EEG信号，无参考意义	没用EEG信号，无参考意义	关于心电和皮电的情绪分类，以DEAP的音乐视频为刺激源，有具体实验步骤
23	2016	Identifying Stable Patterns over Time for Emotion Recognition from EEG	DEAP数据集默认预处理	power spectral density (PSD) differential entropy (DE) differential asymmetry (DASM) rational asymmetry (RASM) asymmetry (ASM) differential caudality (DCAU)	SVM/GELM	valence and arousal 二分类 69.67%	(1)从时域之中提取稳定patterns (2)有完整详细的实验设计流程 (3)本文仅用DEAP作对照试验 (4)做特征平滑处理：linear dynamic system (5)降维：minimal redundancy maximal relevance (MRMR)
24	2016	Emotion Detection from EEG Recordings	去除实验前3s的信号	时域：统计特征、高阶过零分析、分形维度、Hjorth特征、非平稳指标 频域：PSD 时频域：离散小波变换 多电极特征：Differential Asymmetry Rational Asymmetry、Magnitude Squared Coherence Estimate	KNN/RF	valence and arousal 二分类 69.9% 71.2%	Maximum Relevance Minimum Redundancy特征选择
25	2016	Affect representation and recognition in 3D continuous valence–arousal–dominance space	DEAP数据集默认预处理	用离散小波变换对视频以及EEG信号进行处理(db6小波)	KNN/SVM/多层感知机	valence arousal domainance 3D空间情绪三分类 69.6%	(1)在3D(valence arousal domainance)空间上进行情感分类 (2)提出了15种情绪在3D空间中对应的位置 (3)视频分类精度高，但只能识别出3种情绪(happy sad terrible) (4)视频信息与脑电信息相结合，多源异构
26	2016	Using Non-invasive Wearables for Detecting Emotions with Intelligent Agents	DEAP数据集默认预处理	对皮电和心率进行子采样，由8064降为252	ANN	无分类效果	文章偏重硬件开发，开发了一种测量生理信号(心率、皮电)的腕带，用来测量情绪状态
27	2016	Emotions Detection Using Facial Expressions Recognition and EEG	效果太差	效果太差	效果太差	效果太差	用DWT求得各个波段，再利用各个波段对valence and arousal进行估计（use the approximated values of valence and arousal computed from the EEG data to predict their “real” values, i.e., those that would be a result of a participant’s self-assessment. We use linear regression for this step)
28	2016	Wavelet-based study of valence–arousal model of emotions on EEG signals with LabVIEW	DEAP数据集默认预处理	基于小波的特征	————	无分类效果	采用 LabVIEW进行图像化编程
29	2016	A comparison study on the relationship between the selection of EEG electrode channels and frequency bands used in classification for emotion recognition	将脑电极和波段各分为两组，其中脑电极每个组中分为数个小组	离散小波变换分离五个波段，每个波段的平均功率作为特征	SVM	文章关注电极数量和波段选择对分类精度的影响，分类效果无实际意义	(1)更多的电极数量并不能保证更高的准确率，额叶和顶叶的电极更加重要 (2)只用少量的波段对分类效果并不会带来负面的影响 (3)对于同一个模型，要分类的情绪种类越多，精度越低
30	2017	ReliefF-Based EEG Sensor Selection Methods for Emotion Recognition	用长度为4s的窗将60s的数据分为15段	512点FFT分离波段，每个波段求能量	SVM	valence and arousal二分类 60%左右	用ReliefF算法进行特征选择给出了排名前15的通道高频波段更为重要
31	2016	Personalization Effect on Emotion Recognition from Physiological Data: An Investigation of Performance on Different Setups and Classifiers	用长度为1s的窗将60s的数据分为15段	EEG信号提取PSD特征，其他通道提取特异性特征(文章中有详细介绍)	RF	valence and arousal 二分类80%左右	(1)用了皮电、眼电等通道数据并为其单独设计特征(2)评估了个人因素对实验的影响，Leave-one-subject-out效果差,Leave-one-trial-out效果较好
32	2016	Biometric authentication using photoplethysmography signals	————	————	————	————	针对光学体积描记术(PPG)，不涉及EEG信号
33	2016	Affective and Personality Corpora	————	————	————	————	对情绪相关的各种数据集的介绍，方便快速查找相关信息
34	2016	Research on Healthy Anomaly Detection Model Based on Deep Learning from Multiple Time-Series Physiological Signals	————	————	————	————	与情绪无关
35	2016	Using Support Vector Regression to Estimate Valence Level from EEG	用长度为32-512点的窗将数据分段，overlapping从93.75%、87.5%、75%、50%、0%	分形维度、频带功率(theta、alpha、beta)、统计特征（均值、标准差、一阶差分绝对值的均值、z-scored归一化EEG信号一阶差分绝对值的均值、二阶差分绝对值的均值、z-scored归一化EEG信号二阶差分绝对值的均值）	SVR	针对两种实验设计方法，最小平均绝对误差分别为0.74和1.45	(1)考虑到情绪的连续性，引入SVR,用回归替代分类 (2)在不同的Arousal/Dominance下，将Valence分为四个级别 (3)对分形维度特征进行深度挖掘 (4)实验验证方法很有特色，性能指标以平均绝对误差为准 (5)一阶差分绝对值的均值、二阶差分绝对值的均值、分形维度、beta波段能量与Valence关联程度大 (6)分形维度取得了最小的误差 (7)貌似窗口越小，overlapping越大，误差越小
36	2016	Automated estimation of human emotion from EEG using statistical features and	SVM	DEAP数据集默认预处理	Hjorth特征	SVM	Arousal and Valence 三分类 79.8% 75.4% 五分类 65.5% 58.0% 七分类 39.1% 28.6%
37	2016	Building a Generative Model for Affective Content of Music	————	————	————	————	与EEG无关
38	2016	Scalp Connectivity Networks for Analysis of EEG Signal during Emotional Stimulation	————	————	————	————	(1)针对EEG通道之间的相关性进行研究，建立网络(2)男女之间相关性网络存在差异 (3)情绪激发时，只有少数通道被激活 (4)大脑右半球很有可能负责激发愉悦情绪”
39	2016	Application of Entropy-Based Metrics to Identify Emotional Distress from Electroencephalographic Recordings	只用后30s的数据，用长度为640点的窗将数据分为6段	基于熵的特征	树模型	————	(1)提出了三种基于熵的特征：sample entropy (SE), quadratic SE (QSE) and distribution entropy (DE) (2)QSE拥有对冷静和消极情绪的强大的判别能力 (3)新特征，很有前途”
40	2016	Ontology-Based Model for Mining User’s Emotions on the Wisdom Web	————	————	————	————	软件架构设计
41	2016	Application of Deep Belief Networks in EEG-based Dynamic Music-emotion Recognition	不是DEAP数据库，无参考意义	分形维度、PSD、通道不对称特征、离散小波变换	DBN	不是DEAP数据库，无参考意义	(1)引入了DBN (2)取得最优效果时，valence特征与arousal特征不同,valence三种特征都适应，arousal不适应PSD (3)小一点的滑动窗口效果更好 (4)有完整实验步骤 (5)只用了部分电极 (6)特征min-max归一化 (7)FD、DWT比PSD好
42	2016	Emotion Recognition from Multi-Channel EEG Data through Convolutional Recurrent Neural Network	DEAP数据集默认预处理	基于db4小波变换的特征（特征很有特点）	CNN/RNN	Arousal and Valence 二分类 74.12% 72.06%	(1)通过小波变换以及scalogram构建frame (2)通过能量/香农熵对scale进行选取 (3)保留了32个通道之间的关联关系，根据时间窗口划分frame (4)文章严谨，内容翔实
43	2016	Classification of Human Emotion from Deap EEG Signal Using Hybrid Improved Neural Networks with Cuckoo Search	DEAP数据集默认预处理	统计特征、功率特征、能量特征	神经网络	分类语焉不详，但效果不错	(1)在神经网络的优化过程中，用粒子群算法和布谷鸟搜索算法替代方向传播算法 (2)gamma、alpha波段效果更好”
44	2016	Wavelet-based emotion recognition system using EEG signal	用average mean reference (AMR) method去噪归一化处理	分别用长度为2s和4s，步长为1s和2s的窗口将60s的信号分为59段和29段，在每一段的五个波段上分别计算熵和能量	SVM/KNN	Arousal and Valence 二分类86.75% 84.05%	(1)通道选择：F3–F4, F7–F8, FC1–FC2, FC5–FC6， FP1–FP2 (2)FP1-FP2，用4s的窗口效果不错 (3)gama效果好(4)实验描述存在疑问，效果存疑”
45	2016	Real-time EEG-based emotion monitoring using stable features	4s的窗，3s步长分段	FD、功率特征、统计特征、高阶过零分析、类内相关	SVM	不是DEAP数据库，无参考意义	用类内相关选择出最稳定的特征组，其中除均值外的统计特征最为稳定
46	2016	EEG-based Automatic Emotion Recognition:Feature Extraction, Selection and Classification Methods	DEAP数据集默认预处理	统计特征、短时傅里叶变换、高阶过零分析、希尔伯特黄变换	SVM/RF	————	(1)用mRMR进行特征选择 (2)提出了一种效果度量标准 (3)希尔伯特黄变换效果不错 (4)相比SVM,RF更鲁棒”
47	2016	A Hybrid ICA-Wavelet Transform for Automated Artefact Removal in EEG-based Emotion Recognition	ICA-wavelet去除伪影	统计特征、波段能量(基于小波)	SVM	Arousal and Valence情绪象限分类74.11%	(1)ICA+小波伪影去除(2)受试者标签与志愿者标签相关度大于0.5的14个样例作为实验样例”
48	2016	Relevance vector classifier decision fusion and EEG graph-theoretic features for automatic affective state characterization	DEAP数据集默认预处理	基于图论的特征	SVM/RVM	Arousal Valence Dominant Liking 69%、67%、65%、65%	将EEG信号根据频段相关性构成一个网络，从中提取基于图论的特征（脑功能网络）
49	2016	Emotional states recognition,implementing a low computational complexity strategy	DEAP数据集默认预处理	基于小波变换的特征	NN/SVM	Arousal and Valence 情绪象限分类80%-90%	(1)通道选择：F7、FC5、C5、C6、F8、CP5、P4、P8、P7、P3、CP6、O1、O2、T7、T8共15个通道(2)采用盲源分离减少冗余度(3)对SVM核函数进行了深入的研究(4)神经网络效果比SVM要好(5)文章严谨，内容翔实