基于EEG的情绪识别研究进展：综述报告

作者及发表信息
本文由西安交通大学的Yiming Wang、Bin Zhang和Lamei Di合作完成，发表于2024年7月的《ACM Computing Surveys》期刊（第56卷第11期），文章标题为《Research Progress of EEG-Based Emotion Recognition: A Survey》。该综述为开放获取（Open Access），由西安交通大学支持发表，总引用量25次，下载量2940次（截至2025年12月）。

研究背景与目标
EEG（Electroencephalography，脑电图）信号因其高时间分辨率、高准确性和不易伪装的特点，成为情绪识别领域的重要工具。早期研究集中于抑郁症等疾病的检测，近年逐渐转向健康人群的情绪监测服务。然而，EEG信号分析面临单模态过拟合、跨被试情绪迁移、多模态融合等挑战。本文旨在系统梳理EEG情绪识别的时空频域特征提取方法，探讨单模态条件下的过拟合问题（如特征冗余、样本稀缺、跨被试迁移），并总结多模态融合中的模态缺失问题，为后续研究提供线索。

核心内容与框架
1. 时空频域特征与跨域融合方法
- 时域特征：通过CNN（卷积神经网络）或RNN（如LSTM）提取信号的时间动态特性。例如，EEGNet模型在事件相关电位（ERP）和运动想象任务中表现优异。
- 频域特征：差分熵（Differential Entropy, DE）和功率谱密度（Power Spectral Density, PSD）是主流特征。研究表明，DE在多数分类器中优于PSD，且特征组合（如DE+PSD）可提升性能。
- 跨域融合：通过图神经网络（如GCNN）建模通道间关系。例如，自适应稀疏邻接矩阵（如RGN模型）和动态图构建（如IAG模型）显著提高了情绪分类准确率（SEED数据集达94.24%）。

1. 单模态条件下的关键问题

   • 特征冗余：采用过滤法（如mRMR）、封装法（如差分进化算法）和嵌入法（如FSOR模型）筛选特征，降低过拟合风险。
     
   • 样本稀缺：数据增强（如高斯噪声添加、ICA分解）与生成（如WGAN、CWGAN）方法有效缓解数据不足问题。例如，GANSER模型通过掩码生成与自监督学习提升模型泛化能力。
     
   • 跨被试情绪迁移：
     
     • 无监督域适应（UDA）：通过MMD距离或域对抗训练（如DANN）对齐源域与目标域分布。
       
     • 低资源适应：元学习（如MAML）和原型网络（如Protonet）仅需少量目标域样本即可实现快速适配。
       
     • 域泛化（DG）：自组织图网络（如SOGNN）和对比学习（如CLISA）提取被试无关特征，在未见过的目标域中表现稳健。
       

2. 多模态融合与模态缺失

   • 异构模态建模：EEG与眼动、EMG等生理信号存在互补性（如EEG对积极情绪敏感，眼动对中性情绪更有效）。
     
   • 融合方法：特征级融合（早期融合）、决策级融合（晚期融合）及混合融合（如注意力机制）各具优势。例如，CBEAN模型通过条件生成对抗网络实现EEG-眼动特征的跨模态生成。
     
   • 模态缺失问题：部分研究通过生成对抗网络或插补技术填补缺失模态，提升系统鲁棒性。
     

生理学发现与科学价值
- 重要脑区与频带：前额叶和颞叶对情绪响应最显著，γ和β频带对积极情绪能量变化敏感。通道级分析显示，仅使用6-12个关键通道即可达到全通道性能的90%以上。
- 科学意义：为生物学和神经科学提供了情绪响应的新证据（如左右脑不对称性），并推动可穿戴设备的小型化设计。

亮点与创新
1. 方法学创新：首次系统整合时空频域特征提取、跨被试迁移及多模态融合的解决方案。
2. 技术突破：提出自适应图网络（如SOGNN）和低资源适配框架（如PPDA），显著提升模型泛化能力。
3. 应用价值：为抑郁症监测、人机交互（HCI）和脑机接口（BCI）提供了理论支持。

总结
本文不仅是EEG情绪识别领域的里程碑式综述，更为跨学科研究（如认知科学、人工智能）提供了方法论指导。未来研究需进一步验证生理学发现的普适性，并探索实时多模态系统的工业落地。