一.数据集
DEAP
SEED
二.模型输入数据的选择
1.EEG传统特征
1)时域与频域特征
2)时频域特征
3)非线性动力学特征
2.EEG原始信号
3.多模态融合特征
三.情感识别模型的构建
CNN、RNN、DBN、混合网络模型
四.改进方向
(1) 模型的泛化能力没有得到验证。 目前的研究大都针对单个数据集,没有在多个数据集上进行验证。
(2) 尚无最适算法。 虽然当前研究已经取得良好的分类效果,但从实际应用需求的角度出发仍需建立普适性的算法模型。
(3) 模型缺乏实时性。 现有模型参数量庞大,运算时间较长,很难做到识别的实时性。
(4) EEG 信号的差异性。 EGG 信号不仅具有个体差异性,而且由于脑电设备通道数和采样频率的不同,不同设备采集的 EEG 信号在数据格式上有较大差异,不利于模型特别是以手工特征作为输入的模型的推广。
综上所述,后续研究应以增强模型的泛化能力和计算效率为主要目标。