基于脑电信号的情绪评估研究综述

第ｌ７卷第６期　２０１６年ｌ２月　信息工程大学学报　Ｊｏｕｒｎａｌ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　Ｖ０１．１７　ＮＯ．６　Ｄｅｅ．２０１６　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７１　６７３．２０１６．０６．００９　基于脑电信号的情绪评估研究综述　蒋静芳，曾　颖，林志敏，童　莉，闰　镔　（信息工程大学，河南郑州４５０００１）　摘要：情绪在人类进化和日常生活中发挥着重要作用，脑电作为一种快速无创的神经信号测量　手段，已成为现有情绪评估的一种重要途径。在对情绪识别基本原理及信号特性分析的基础　上，重点阐述了情绪相关脑电特征的提取与选择，包括ＥＲＰ成分、频率特征、基于脑活动不对　称性特征以及非线性特征；并介绍了基于脑电信号的情绪分类器设计。最后对基于脑电信号　情绪研究的发展和应用做了进一步的展望。　关键词：脑电信号；情绪；事件相关电位；特征提取；情绪识别　中图分类号：ＴＰ３９１　文献标识码：Ａ　文章编号：１６７１　６７３（２０１６）０６．０６８６￣８　Ｒｅｖｉｅｗ　ｏｎ　ＥＥＧ．Ｂａｓｅｄ　Ｅｍｏｔｉｏｎ　Ａｓｓｅｓｓｍｅｎｔ　ＪＩＡＮＧ　Ｊｉｎｇｆａｎｇ，ＺＥＮＧ　Ｙｉｎｇ，ＬＩＮ　Ｚｈｉｍｉｎ，ＴＯＮＧ　Ｌｉ，ＹＡＮ　Ｂｉｎ　（Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ　４５０００１，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｅｍｏｔｉｏｎ　ｐｌａｙｓ　ａｎ　ｉｍｐｏｒｔａｎｔ　ｒｏｌｅ　ｉｎ　ｈｕｍａｎ　ｅｖｏｌｕｔｉｏｎ　ａｎｄ　ｄａｉｌｙ　ｌｉｆｅ．Ａｓ　ａ　ｓｗｉｆｔ　ｍｅｔｈｏｄ，ｅ－　ｌｅｃｔｒｏｅｎｃｅｐｈａｌ０ｇｒａｍ（ＥＥＧ）ｈａｓ　ｒｅｃｅｉｖｅｄ　ｃｏｎｓｉｄｅｒａｂｌｅ　ａｔｔｅｎｔｉｏｎ．Ｔｈｉｓ　ｐａｐｅｒ　ｍａｉｎｌｙ　ｆｏｃｕｓｅｓ　ｏｎ　ｔｈｅ　ｅ—　ｍｏｔｉｏｎ—ｒｅｌａｔｅｄ　ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ　ａｎｄ　ｓｅｌｅｃｔｉｏｎ　ｔｈｒｏｕｇｈ　ａｎａｌｙｚｉｎｇ　ｅｍｏｔｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒａｔｉｏｎａｌｅ　ａｎｄ　ｓｉｇｎａｌ　ｃｈａｒａｃｔｅｒｉｓｔｉｃ，ｉｎｃｌｕｄｉｎｇ　ｔｈｅ　ＥＲＰ　ｃｏｍｐｏｎｅｎｔｓ，￣ｅｑｕｅｎｃｙ　ｆｅａｔｕｒｅ，ａｓｙｍｍｅｔｒｉｃ—ｂａｓｅｄ　ｆｅａｔｕｒｅ　ａｓ　ｗｅｌｌ　ａｓ　ｔｈｅ　ｎｏｎｌｉｎｅａｒｉｔｙ　ｆｅａｔｕｒｅ．Ｉｎ　ａｄｄｉｔｉｏｎ，ｗｅ　ｒｅｖｉｅｗ　ｔｈｅ　ｃｌａｓｓｉｆｉｅｒｓ　ｏｆ　ｔｈｅ　ｅｍｏｔｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ．　Ｌａｓｔ，ｔｈｅ　ｆｕｒｔｈｅｒ　ｒｅｓｅａｒｃｈ　ｉｓ　ｐｒｏｓｐｅｃｔｅｄ．　Ｋｅｙ　ｗｏｒｄｓ：ＥＥＧ；ｅｍｏｔｉｏｎ；ｅｖｅｎｔ－ｒｅｌａｔｅｄ　ｐｏｔｅｎｔｉａｌ；ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ；ｅｍｏｔｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ　别方法、自主神经系统测量方法以及脑测量方法。　０　引言　人们对于客观事物的认识总会伴随着喜、怒、　哀、恐、惊等情绪反应，故而情绪的变化势必会对人　其中，传统的情绪评估指利用情绪体验自我报告错　（ｓｅｌｆ－ａｓｓｅｓｓｍｅｎｔ　ｍａｎｉｋｉｎ，ＳＡＭ）或是通过观察被试　的行为学反应…（面部表情、语音语调等）的方法。　这种方法操作简单，直观明了，但由于该方法的本　在决策、交流等方面造成不同程度的影响。随着人　工智能技术的不断发展，情绪识别已成为该技术进　一质是一种人为判定，其主观性大。而自主神经系统　测量方法是将生物反馈法引入到情绪状态的判断　步发展的必要环节。此外，在教育、医疗以及军　中，通过测量心率、血压、皮肤电阻、肌电等外周神　经活动指标来评定情绪状态的变化和唤醒水　平　，这种方法虽然在一定程度上提高了其客观　程度，但其测量的指标仍然是情绪引起的一些间接　事等领域，情绪评估研究也有着广泛的应用。因　此，如何快速有效地对情绪进行识别评估是情绪研　究领域亟待解决的关键问题之一。　目前的情绪评估方法主要可分为传统主观判　反应，故存在识别准确率低且缺乏合理的评价标准　收稿日期：２０１５—１２－３１：修回日期：２０１６－０１—２２　基金项目：国家８６３计划资助项目（２０１２ＡＡ０１１６０３）；河南省重点科技攻关项目（１４２１０２２１００９９）　作者简介：蒋静芳（１９８９一），女，硕士生，主要研究方向为成像与智能信号处理。　第６期　蒋静芳等：基于脑电信号的情绪评估研究综述　６８７　等缺点。　群自发性、节律性的电活动　，蕴含着丰富的思　维、情感、精神以及心理等活动。根据信号的产生　方式及特点，本文将基于脑电信号的情绪识别分为　基于ＥＲＰ的情绪识别和基于ＥＥＧ的情绪识别。　唤醒度　近年来，随着脑科学的迅速发展，脑成像技术　为情绪的脑机制研究提供了新的方法，使得读取人　们的情绪逐渐成为了可能。情绪的脑测量方法是　利用大脑信号在不同情绪下所产生的差异进行判　别的一种方式　Ｊ。这种方法相对于其它方法而　言，更加的客观、准确。其中，基于脑电（ｅｌｅｃｔｒｏｅｎ—　兴奋　ｃｅｐｈａｌｏｇｒａｍ，ＥＥＧ）信号的情绪评估方法凭借着脑　电技术无创测量、时间分辨率高、便携性好以及成　愤怒　憎恨　恐惧　愉快　本较低的优点成为当前情绪评估研究的主要手段　之一。本文分别从情绪相关脑电信号的特性、情绪　脑电信号的诱发和获取以及基于脑电信号的情绪　识别方法３个方面展开论述，并对该领域研究的应　用前景进行展望。　１情绪识别的基本原理　１．１　情绪模型　回顾人们关于情绪实验与理论的研究，从　Ｊａｍｅｓ—Ｌａｎｇｅ理论肯定了生理因素与情绪之间的内　在联系，迎来了情绪生理学的高潮；到Ｗｌｌｈｅｌｍ提　出了情绪的三维学说，使得情绪心理学得到重视并　发展；再到Ｓｃｈａｃｈｔｅｒ认识到认知因素对情绪过程　具有显著影响，形成情绪认知理论，１００多年以来，　人们对于情绪的认识争论不断。　目前，较为普遍的认识是情绪的双系统模型和　多系统模型　。双系统模型认为情绪是由效价　（ｖａｌｅｎｃｅ）和唤醒度（ａｒｏｕｓａ１）两个维度构成，其中　效价指的是情绪体验及其强度，而唤醒度指与情绪　活动相伴随的机体唤醒程度。该模型中最具有代　表性的就是图ｌ所示的Ｌａｎｇｅ二维情绪分类模型。　而多系统模型则认为，情绪是不同基本元素的集　合，在重要的维度上相互区别，且每种情绪在进化　中有与之相对的重要事件，诸如愤怒（ａｎｇｅｒ）、恐惧　（ｆｅａｒ）、厌恶（ｄｉｓｇｕｓｔ）、快乐（ｊｏｙ）、悲伤（ｓａｄｎｅｓｓ）　以及惊奇（ｓｕｒｐｒｉｓｅ）。但对于多系统模型而言存在　这样的问题，即如何确定情绪的基本元素还没有明　确的定论，从而情绪的双系统模型受到更为广泛的　应用。　１．２基于脑电信号的情绪分类基本原理　情绪是一种伴随着认知和意识过程产生的对　外界事物态度的体验，为了能够对情绪测量，通常　所采用的方法是利用外部刺激进行诱发的方式，如　图片、视频等。　脑电信号包含着大脑皮层神经信息，是脑细胞　，　效价　悲伤　放松　沮丧　无聊　图１　Ｌａｎｇｅ二维情绪分类模型　通过对大量试次脑电信号的叠加平均分析，研　究者发现，当向被试施加一定刺激时，大脑信号会　产生一种固定模式的电生理响应，即事件相关电　位　（ｅｖｅｎｔ—ｒｅｌａｔｅｄ　ｐｏｔｅｎｔｉａｌ，ＥＲＰ）。现有的心理　学研究表明，ＥＲＰ成分可以敏感地反映出情绪活　动在大脑内的活动过程　ｌｏ］，ＥＲＰ成分对于不同的　情绪有着不同的体现，如对于早期成分而言，ＥＲＰ　成分更侧重于情绪效价；而晚期成分则更侧重于情　绪唤醒度…　（见表１），为实现基于ＥＲＰ的情绪识　别方法提供了依据。在该方法下，ＥＲＰ数据的获　取往往是基于特定的实验，如Ｏｄｄｂａｌｌ实验，该实　验将情绪刺激作为小概率事件，让被试观看７０％　的标准刺激和３０％的偏差刺激（情绪刺激），以此　激发情绪的ＥＲＰ响应。　基于ＥＲＰ的情绪识别具有特征意义明晰的优　势，然而，受到实验等方面的限制，该方法难以应用　于在线的情绪识别中。现阶段，多数基于脑电信号　的情绪识别方法是基于ＥＥＧ信号展开研究的。　ＥＥＧ信号中包含了大量的节律频段信息。神　经科学和心理学的研究表明，在ＥＥＧ信号中，ｄｅｌｔａ　（１　Ｈｚ一４Ｈｚ），ｔｈｅｔａ（４Ｈｚ～８Ｈｚ）．ａｌｐｈａ（８Ｈｚ～　１３Ｈｚ），ｂｅｔａ（１３Ｈｚ～３０Ｈｚ）和ｇａｍｍａ（３０Ｈｚ以上）５　个频段与情绪等心理活动有着较为密切的关联，诸　如负性情绪与大脑额部左半球区域的ａｌｐｈａ能量　相关，而正性情绪则与大脑额部右半球区域的ａ１．　ｐｈａ能量更为相关¨　。因此，频域特征是情绪　ＥＥＧ信号中的一种重要特征（见表１）。在基于　ＥＥＧ的情绪识别方法中，ＥＥＧ数据的获取包括了　基于外部刺激诱发的方式，同时还可采用让被试自　行回忆的方式，这将更有助于实现情绪的在线　６８８　信息工程大学学报　识别。　情绪的诱发、信号采集、脑电信号的预处理、情绪特　征提取与选择和情绪的识别。　但不论是基于ＥＲＰ的情绪识别还是基于ＥＥＧ　的情绪识别方法，其处理方法均可总结为５步，即　表１　脑电信号与情绪的相互关系　Ｈ竺兰　Ｈ望篁Ｈ　Ｈ竺竺竺　文献［２９］利用音乐片段作为刺激，构建了用于情　绪识别的数据库（ＤＥＡＰ），并对其进行了统计分析　图２基于脑电信号的情绪识别基本流程　等处理，确保了该数据集的情绪诱发的有效性。　２．２情绪相关脑电信号预处理　２情绪相关脑电信号的诱发与获取　２．１情绪诱发　情绪诱发是实现基于脑电信号的情绪识别的　由于脑电信号微弱，一般只有５０ｕＶ左右，易　受到噪声的干扰，所以对于采集的脑电数据往往要　进行预处理，以提取出淹没在无关噪声中的有用　信号。　早先的伪迹处理方法一方面是通过控制被试　前提因素，目前最为常用的实验是通过外部刺激诱　发的方式。为了能够达到客观评估的目的，通过对　不同年纪、性别、种族的被试进行测试，一系列标准　化情绪刺激材料系统被相继提出。　此外，Ｅｋｍａｎ等人通过研究人的脸部肌肉动作　使之在实验过程中避免伪迹出现，另一方面是通过　观察，找出伪迹部分并将这一部分的数据排除　。　这种做法虽然简单，但会使得数据量难以达到期望　值，且增加被试二次认知任务　。目前，普遍采用　伪迹移除的方法，即标识并提取伪迹成分，对包含　伪迹成分的数据进行重构，从而得到“干净”的数　据。常用的方法包括自适应滤波、小波变换以及独　和表情之间的关系提出了一套面部行为编码系统。　在此基础上，文献［２６］通过让被试做出不同的表　情来研究被试相应的情绪状态。　对于基于ＥＥＧ的情绪识别而言，还有一种情　立成分分析等。　１９９６年，文献［３２］首次将ＩＣＡ用于脑电信号　分析，成功分离出眼电及工频干扰，独立成分分析　（ｉｎｄｅｐｅｎｄｅｎｔ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ，ＩＣＡ）方法受到愈　绪的诱发方式称之为自诱发方式，测量被试的自发　情绪，然而此时难以对情绪的发生时间以及内容进　行判定。基于这一局限性，文献［２７］利用语音提　示的方式，让被试回忆与提示情绪相一致的片段完　成了对于自发情绪的采集与识别。　与此同时，研究人员基于不同的情绪诱发实验　研究情绪，难以有统一的评价标准。为此，文献　［２８］利用情绪视频片段以及标签一致实验建立了　为广泛的关注。随后，文献［３３］在ＩＣＡ独立成分　的基础上结合线性分类器和聚类实现了伪迹的自　动去除；文献［３４］采用拉普拉斯参考校正ＩＣＡ的　方法实现了实时伪迹去除；文献［３５］结合实验获　取伪迹先验信息用于伪迹的自动去除，通过情绪脑　电数据进行验证，表明伪迹去除能在一定程度上提　用于情绪识别的多模态数据库（ＭＡＨＮＯＢ　ＨＣＩ）。　高情绪识别的准确率。　第６期　蒋静芳等：基于脑电信号的情绪评估研究综述　６８９　３基于脑电信号的情绪识别　３．１　脑电信号情绪特征提取与选择　特征提取是当前基于脑电的情绪识别研究中　的重点部分，好的特征是情绪识别得以实现的　保证。　３．１．１　情绪的ＥＲＰ成分特征　根据情绪相关的ＥＲＰ成分分析结果，文献　［３６］采用５种ＥＲＰ成分的潜伏期和幅值（Ｐ１、Ｐ２、　Ｐ３、Ⅳ１和Ｎ２），并利用离散小波提取多个频段脑活　动作为特征对情绪的效价和唤醒进行分类。文献　［３７］选择信号的前３个最大和最小波峰的潜伏期　和幅值为ＥＲＰ成分特征对正性和负性两类情绪进　行分类，在该特征的基础上研究了不同被试问的情　绪识别。　ＥＲＰ成分作为情绪识别方法的特征的关键问　题在于ＥＲＰ成分的提取。传统的ＥＲＰ分析方法　是在相干平均的基础上开展的，但这种方法由于试　次数量的需求（大于６０试次）往往难以适应实际　应用。近年来，针对单试次的ＥＲＰ成分的提取方　法为其用于情绪评估提供了可行方法。文献［３８］　采用了对于Ｐ３成分有较好提取效果的ｘＤＡＷＮ算　法构建空间滤波器，提取虚拟电极下的Ｐ１、Ｐ３、Ｎ２　和ＬＰＰ　４种ＥＲＰ成分对应时间段的平均幅值作为　特征。结果表明，ＥＲＰ成分适用于对同等效价的　情况下唤醒度的区分，而对于不同效价水平，其区　分度较差。然而，由于情绪属于高级认知功能，含　有更为复杂的ＥＲＰ成分，从而需要更加有效的　ＥＲＰ成分提取算法以实现情绪的识别。　３．１．２情绪的频率域特征。　根据不同的大脑状态往往可由不同脑区的节　律特征所表述　这一观点，文献［４０］利用傅里叶　变换将原始脑电信号映射到ｔｈｅｔａ、ａｌｐｈａ和ｂｅｔａ频　带上，并在功率谱的基础上求出了每个电极的功率　谱密度作为脑电特征。文献［４１］利用视频刺激，　在上述的５个频带中使用快速傅里叶变换，并结合　线性动力学等方法对情绪进行识别并利用流形学　习拟合情绪曲线。文献［４２］将原始脑电信号滤波　到４Ｈｚ～１３Ｈｚ后，分别采用核密度估计和高斯混　合模型的方法提取出了对应脑区的脑电特征。文　献［４３］采用视频片段诱发情绪，将不同频段能量　以及该频段的小波系数统计参数等作为脑电特征。　３．１．３　基于脑活动不对称性的特征。　针对不同的效价情绪，文献［４４］对正性和负　性情绪的大脑活动研究发现，正性情绪诱发左前额　叶处的ａｌｐｈａ能量呈下降趋势，对负性情绪而言，　其诱发右侧前额叶处的ａｌｐｈａ能量呈下降趋势。　由此，研究者认为情绪的大脑活动具有不对称性。　不对称指数也就由此作为情绪衡量的一种特征，该　特征可利用大脑不对称特性计算，即对称电极间的　特征差值和比值：　Ａｘ＝　ｆ一　Ａｘ＝　ｆ／ｘ，　（１）　其中，ｚ，ｒ分别表示左，右导联处的特征值。文献　［４５］将电极之间的统计特征和分形维数的差值作　为特征，用于情绪识别。文献［４６］以２ｓ的时间窗，　计算ａｌｐｈａ能量比率作为特征。文献［４７］以音乐　作为刺激材料，利用短时傅里叶变换将脑电信号映　射到５个常见频带上并分别计算对应的功率谱密　度，再利用电极间的对称关系，组合出４组特征进　行后续的情感识别。文献［４８］同时提取了左右对　称的２７对导联的５个频带微分熵特征的差值和比　值以及２３对前后对称导联的差值用于情绪识别并　探寻最佳导联和频带段。　此外，还可通过计算ＥＥＧ导联间的多维信息　得到不对称性特征ＡｓＩ　，能有效判定情绪是否　发生：　Ｓ　＝ｓ：　＋．ｓ　Ｊｓｒ＝ｓ　＋ｓ　…　‘，　Ａｓｌ＝（ｓ　一ｓｔ）×　其中，ｓ　指左侧脑信号　的流向右侧脑信号ｙ的　信息，同理５　表示由Ｙ到　的信息流向；Ｓ，为双　向信息总量；Ｓ　指当没有情绪发生时的信息流向。　３．１．４　基于脑电信号的非线性特征　生物神经系统具有与混沌极相似的特性　，　而混沌理论又可近似表示非线性特性。文献［４９］　使用　熵和Ｌｙａｐｕｎｏｖ指数作为特征，区分了积极、　消极和中性３种情绪。文献［５０］在情绪效价一唤　醒度模型基础上，使用分形维数较好地区分了不同　效价的情绪。虽然利用非线性动力学可探寻到更　为深层次的特征，但是基于非线性特性的特征提取　方法的计算量较大，耗时较长，不利于实现在线评　估，需要进一步提高其运算速度。　此外，根据对于信号的观察分析，研究人员不　断尝试引入新的特征来提高情绪识别的准确率。　根据归一化后的脑电时序信号总是在０值处震荡　这一现象，文献［５１］针对情绪的多系统模型，提出　６９０　信息工程大学学报　了一种情感识别脑电特征——高次交叉（ｈｉｇｈ　Ｏ１＂．　ｄｅｒ　ｃｒｏｓｓｉｎｇ，ＨＯＣ），在一定程度上克服了被试问　差异性的问题。文献［５２］以视听材料作为刺激，　利用多小波变换，对４类情绪得到可以区分情绪的　小波特征。　不同的特征体现了情绪与脑电信号的不同方　面，针对特定的情绪类别，可以采用不同的特征达　到较好的识别，同时多种特征的结合以相互补充．　提取更充分的特征也是目前常用的方法之一Ｉ５　。　３．２情绪分类器设计　情绪的识别指通过得到的脑电特征进一步确　定情绪状态的过程。现有的用于情绪识别的分类　算法包括有监督和无监督两种，其中有监督的算法　由于加入了情绪的类别标签，更利于识别的准确　率，更为广泛使用，包括支持向量机、神经网络以及　贝叶斯等方法。　支持向量机因其较好的泛化能力，且对于过拟　合以及维度的问题不敏感等优点，是目前情绪识别　中最常用的一种方法　。神经网络以样本的　类别信息为指导，不断修正中间层到输出层间的参　数权值，之后再利用训练出的感知器对样本进行分　类，文献［５７］使用神经网络分类器对唤醒度和效　价进行了有效分类。文献［５８］在情绪识别中采用　贝叶斯模型进行分类，这种方法通过先验分布表示　样本分类前的不确定性，并以后验分布的形式表示　样本的分类。相比于其它判别分类算法，它可以更　有效地拒绝不确定样本。近年来，深度学习的发展　也为脑电信号的识别提供了新的方法，文献［４８］　利用深度可信网络（ｄｅｅｐ　ｂｅｌｉｆｅ　ｎｅｔｗｏｒｋ，ＤＢＮ）探　究了基于脑电信号情绪识别中的关键频段和导联，　有较好的识别效果。　但从个体脑电信号的差异性角度考虑，无监督　的情绪状态识别将更接近实际应用。针对基于　ＥＥＧ情绪识别方法中的由被试自发产生的情绪信　号，由于无明确类别标签，基于无监督的情绪状态　识别更加合适。无监督的识别方法指对样本进行　模式训练时，由样本自身向特性相近的样本靠近，　远离与特性相异的样本，从而达到同类样本聚集，　异类样本分离的目的。文献［４３］利用模糊ｃ均值　聚类的方法，通过寻找类别本身的固有特征，找出　特征相似的样本，划分出高兴、害怕、厌恶和惊讶等　４种情绪类别。文献［５９］在情绪效价空间里量化　正性情绪和负性情绪，采用６种无监督聚类算法构　建被试内和被试间的情绪模型，其中使用模糊ｃ　均值聚类的表现较好。　４　应用前景　目前，随着脑科学以及信息科学的发展，基于　脑电的情绪评估受到心理学、认知科学、医学和信　息技术等众多领域的广泛关注。在临床应用方面，　随着人们生活压力的增大，抑郁程度的增加，人们　的负性认知能力也随之增加　。为此，通过对情　绪进行评估，一方面可以便于医护咨询人员更加快　速准确的评估与治疗，另一方面，人们可以根据基　于脑电的情绪反馈结果展开自我调节。　在商业领域，情绪评估可用于新品开发的体验　以及广告宣传效能评估，从而预测产品上市后的竞　争力。此外，随着人工智能的发展，智能家居、智能　机器人等一系列产品问世，情绪识别将使这些产品　更加智能化。　在军事领域，指挥官情绪程度影响着其决策水　平，执行者情绪同样影响着其执行能力。战场的情　绪实时监测技术将会保证其更加通畅的战场指挥　和交流。另一方面，“攻心为上”的兵法策略表明　了在战争中心理战的重要位置。在心理战中，宣传　品是一种重要的工具，其对人情绪影响水平是宣传　品是否能够达到预期效能的重要指标之一。　５　结束语　虽然对基于脑电情绪的研究已开展多年，但是　由于对情绪和脑电信号的认识还存在局限，有许多　问题有待进一步研究。①由于目前多数的研究还　处于实验室环境下，相对干扰较小，在实际使用时，　更高效的伪迹去除方法是需要解决的关键问题；　②针对基于ＥＲＰ的情绪相关成分，需要更深入地　研究人脑情绪相关的机制，这有助于构建基于脑电　信号的情绪识别模型，以进一步提高识别的准确　率；③在特征提取方面，现有研究在ＥＲＰ和脑电的　节律特性上已分别有一些研究成果，两者的结合将　能够更全面、深入地描述不同情绪的脑电特征；　④与现有的单元分析相比，双元分析或是多元脑电　信号分析的效果更好　，其中，相位同步分析是最　为常用的方法之一，可以考虑结合相位同步分析的　多元脑电信号特征提取方法，以进一步提高特征的　识别；⑤相比于单脑区，情绪特征更可能存在于脑　区之间。。　，进一步考虑脑区间的联系，可以加深　对情绪与脑信号关系的认识。此外，考虑融合其它　测量方法以弥补脑电的不足，以期更加全面地对情　第６期　蒋静芳等：基于脑电信号的情绪评估研究综述　６９１　绪进行研究，如融合功能磁共振成像技术信息　能够弥补脑电的空间分别率不足的缺点等。　不论是对于人们的日常生活，还是对于某些特　殊领域来说，情绪评估的研究都是具有非常重要的　理论意义和现实意义。为此，如何在已有的心理　学、认知科学、信息科学等研究基础上，不断地优化　情绪识别的精准度以及提高识别的速度是实现基　于脑电信号的情绪评估实用化系统仍需进一步研　究的关键。　参考文献　［１］　Ｂｒａｄｌｅｙ　Ｍ　Ｍ，Ｌａｎｇ　Ｐ　Ｊ．Ｍｅａｓｕｒｉｎｇ　ｅｍｏｔｉｏｎ：ｔｈｅ　ｓｅｌｆ－ａｓ—　ｓｅｓｓｍｅｎｔ　ｍａｎｉｋｉｎ　ａｎｄ　ｔｈｅ　ｓｅｍａｎｔｉｃ　ｄｉｆｆｅｒｅｎｔｉａｌ［Ｊ］．Ｊｏｕｒ・　ｎａｌ　ｏｆ　ｂｅｈａｖｉｏｒ　ｔｈｅｒａｐｙ　ａｎｄ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｐｓｙｃｈｉａｔｒｙ，　１９９４，２５（１）：４９—５９．　［２］Ｋｅｉｔｈ　Ａｎｄｅｒｓｏｎ，Ｐｅｔｅｒ　Ｗ　ＭｃＯｗａｎ．Ａ　ｒｅａ１．ｔｉｍｅ　ａｕｔｏｍａ－　ｔｅｄ　ｓｙｓｔｅｍ　ｆｏｒ　ｔｈｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆ　ｈｕｍａｎ　ｆａｃｉａｌ　ｅｘｐｒｅｓ—　ｓｉｏｎｓ．［Ｊ］．Ｓｙｓｔｅｍｓ，Ｍａｎ　ａｎｄ　Ｃｙｂｅｒｎｅｔｉｃｓ，Ｐａｒｔ　Ｂ，　２００６，３６（１）：９６－１０５．　［３］Ｖｅｒｍａ　Ｇ　Ｋ，Ｔｉｗａｒｙ　Ｕ　Ｓ．Ｍｕｈｉｍｏｄａｌ　ｆｕｓｉｏｎ　ｆｒａｍｅｗｏｒｋ：　Ａ　ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎ　ａｐｐｒｏａｃｈ　ｆｏｒ　ｅｍｏｔｉｏｎ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｎｄ　ｒｅｃｏｇｎｉｔｉｏｎ　ｆｒｏｍ　ｐｈｙｓｉｏｌｏｇｉｃａｌ　ｓｉｇｎａｌｓ［Ｊ］．Ｎｅｕｒｏｉｍａｇｅ，　２０１３，１０２：１６２－１７２．　［４］Ｃａｂａｎａｃ　Ｍ．Ｗｈａｔ　ｉｓ　ｅｍｏｔｉｏｎ［Ｊ］．Ｂｅｈａｖｉｏｕｒａｌ　ｐｒｏｃｅｓｓｅｓ，　２００２，６０（２）：６９－８３．　［５］唐孝威．心智解读［Ｍ］．杭州：浙江大学出版社，　２０ｌ２：７６—８６．　［６］Ｌａｎｇ　Ｐ　Ｊ，Ｂｒａｄｌｅｙ　Ｍ　Ｍ，Ｃｕｔｈｂｅｒｔ　Ｂ　Ｎ．Ｔｈｅ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ａｆｆｅｅｔｉｖｅ　Ｐｉｃｔｕｒｅ　Ｓｙｓｔｅｍ（ＩＡＰＳ）ｉｎ　ｔｈｅ　ｓｔｕｄｙ　ｏｆ　ｅｍｏｔｉｏｎ　ａｎｄ　ａｔｔｅｎｔｉｏｎ『Ｍ］．Ｈａｎｄｂｏｏｋ　ｏｆ　Ｅｍｏｔｉｏｎ　Ｅｌｉｃｉｔａｔｉｏｎ　ａｎｄ　Ａｓｓｅｓｓｍｅｎｔ，Ｏｘｆｏｒｄ：Ｏｘｆｏｒｄ　ｕｎｉｖｅｒｓｉｔｙ　ｐｒｅｓｓ，２００７：　２９＿４６．　［７］Ｅｋｍａｎ　Ｐ．Ａｎ　ａｒｇｕｍｅｎｔ　ｆｏｒ　ｂａｓｉｃ　ｅｍｏｔｉｏｎｓ［Ｊ】．Ｃｏｇｎｉｔｉｏｎ　＆ｅｍｏｔｉｏｎ，１９９２，６（３－．４）：１６９・２００．　［８］李颖洁．脑电信号分析方法及其应用［Ｍ］．科学出版　社，２００９：１．１３．　［９］Ｓｔｅｖｅｎ　Ｊ．事件相关电位基础［Ｍ］．上海：华东师范大　学出版社．２００９：３－６．　［１Ｏ］施壮华，沈模卫．心理学中脑电研究方法探讨［Ｊ］．　心理科学，２００２，２５（１）：８８．９０．　［１１］Ｓｅｈｕｐｐ　Ｈ　Ｔ，Ｓｔｏｃｋｂｕｒｇｅｒ　Ｊ，Ｃｏｄｉｓｐｏｔｉ　Ｍ，ｅｔ　ａ１．Ｓｅｌｅｃ－　ｔｉｖｅ　ｖｉｓｕａｌ　ａｔｔｅｎｔｉｏｎ　ｔｏ　ｅｍｏｔｉｏｎ［Ｊ］．Ｔｈｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｎｅｕ－　ｒｏｓｃｉｅｎｅｅ，２００７，２７（５）：１０８２—１０８９．　［１２］Ｍｉｃｈｅｌａ　Ｂａｌｃｏｎｉ，Ｇｕｉｄｏ　Ｍａｚｚａ．Ｂｒａｉｎ　ｏｓｃｉｌｌａｔｉｏｎｓ　ａｎｄ　ＢＩＳ／ＢＡＳ（ｂｅｈａｖｉｏｒａｌ　ｉｎｈｉｂｉｔｉｏｎ／ａｃｔｉｖａｔｉｏｎ　ｓｙｓｔｅｍ）　ｅｆｆｅｃｔｓ　ｏｎ　ｐｒｏｃｅｓｓｉｎｇ　ｍａｓｋｅｄ　ｅｍｏｔｉｏｎａｌ　ｃｕｅｓ．：ＥＲＳ／　ＥＲＤ　ａｎｄ　ｃｏｈｅｒｅｎｃｅ　ｍｅａｓｕｒｅｓ　ｏｆ　ａｌｐｈａ　ｂａｎｄ［Ｊ］．Ｉｎ－　ｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｐｓｙｃｈｏｐｈｙｓｉ０ｌｏｇｙ，２００９，７４（２）：　ｌ５８—１６５．　［１３］　Ｓｍｉｔｈ　Ｎ　Ｋ，Ｃａｃｉｏｐｐｏ　Ｊ　Ｔ，Ｌａｒｓｅｎ　Ｊ　Ｔ，ｅｔ　ａ１．Ｍａｙ　Ｉ　ｈａｖｅ　ｙｏｕｒ　ａｔｔｅｎｔｉｏｎ，ｐｌｅａｓｅ：ｅｌｅｃｔｒｏｃｏｒｔｉｃａｌ　ｒｅｓｐｏｎｓｅｓ　ｔｏ　ｐｏｓｉ—　ｔｉｖｅ　ａｎｄ　ｎｅｇａｔｉｖｅ　ｓｔｉｍｕｌｉ［Ｊ］．Ｎｅｕｒｏｐｓｙｃｈｏｌｏｇｉａ，２００３，４１　（２）：１７１—１８３．　［１４］　Ｉｔ０　Ｔ　Ａ，Ｌａｒｓｅｎ　Ｊ　Ｔ，Ｓｍｉｔｈ　Ｎ　Ｋ，ｅｔ　ａ１．Ｎｅｇａｔｉｖｅ　ｉｎｆｏｒｍａ－　ｔｉｏｎ　ｗｅｉｇｈｓ　ｍｏｒｅ　ｈｅａｖｉｌｙ　ｏｎ　ｔｈｅ　ｂｒａｉｎ：ｔｈｅ　ｎｅｇａｔｉｖｉｔｙ　ｂｉ－　ａｓ　ｉｎ　ｅｖａｌｕａｔｉｖｅ　ｃａｔｅｇｏｒｉｚａｔｉｏｎｓ［Ｊ］．Ｃａｎａｄｉａｎ　Ｍｅｔａｌｌｕｒｇｉ・　ｃａｌ　Ｑｕａｒｔｅｒｌｙ，１９９８，７５（４）：８８７－９００．　［１５］　Ｍｅｎｇ　Ｘｉａｎｘｉｎ，Ｙｕａｎ　Ｊｉａｊｉｎ，Ｌｉ　Ｈｏｎｇ．Ａｕｔｏｍａｔｉｃ　ｐｒｏ—　ｃｅｓｓｉｎｇ　ｏｆ　ｖａｌｅｎｃｅ　ｄｉｆｆｅｒｅｎｃｅｓ　ｉｎ　ｅｍｏｔｉｏｎａｌｌｙ　ｎｅｇａｔｉｖｅ　ｓｔｉｍｕｌｉ：Ｅｖｉｄｅｎｃｅ　ｆｒｏｍ　ａｎ　ＥＲＰ　ｓｔｕｄｙ［Ｊ］．Ｎｅｕｒｏ－　ｓｃｉｅｎｃｅ　ｌｅｔｔｅｒｓ，２００９，４６４（３）：２２８—２３２．　［１６］　Ｓｃｈｕｐｐ　Ｈ　Ｔ，Ｓｔｏｃｋｂｕｒｇｅｒ　Ｊ，Ｃｏｄｉｓｐｏｔｉ　Ｍ，ｅｔ　ａ１．Ｓｔｉｍ—　ｕｌｕｓ　ｎｏｖｅｌｔｙ　ａｎｄ　ｅｍｏｔｉｏｎ　ｐｅｒｃｅｐｔｉｏｎ：ｔｈｅ　ｎｅａｒ　ａｂｓｅｎｃｅ　ｏｆ　ｈａｂｉｔｕａｔｉｏｎ　ｉｎ　ｔｈｅ　ｖｉｓｕａｌ　ｃｏｒｔｅｘ［Ｊ］．Ｎｅｕｒｏｒｅｐｏｒｔ，　２００６，１７（４）：３６５—３６９．　［１７］　Ｌｉｔｈａｒｉ　Ｃ，Ｆｒａｎｔｚｉｄｉｓ　Ｃ　Ａ，Ｐａｐａｄｅｌｉｓ　Ｃ，ｅｔ　ａ１．Ａｒｅ　Ｆｅ—　ｍａｌｅｓ　Ｍｏｒｅ　Ｒｅｓｐｏｎｓｉｖｅ　ｔｏ　Ｅｍｏｔｉｏｎａｌ　Ｓｔｉｍｕｌｉ？Ａ　Ｎｅｕｒｏ—　ｐｈｙｓｉｏｌｏｇｉｃａｌ　Ｓｔｕｄｙ　Ａｃｒｏｓｓ　Ａｒｏｕｓａｌ　ａｎｄ　Ｖａｌｅｎｃｅ　Ｄｉｍｅｎ－　ｓｉｏｎｓ［Ｊ］．Ｂｒａｉｎ　Ｔｏｐｏｇｒａｐｈｙ，２０１０，２３（１）：２７－４０．　［１８］　Ｄｅｇａｂｒｉｅｌｅ　Ｒ，Ｌａｇｏｐｏｕｌｏｓ　Ｊ，Ｍａｌｈｉ　Ｇ．Ｎｅｕｒａｌ　ｃｏｒｒｅ—　ｆａｔｅｓ　ｏｆ　ｅｍｏｔｉｏｎａｌ　ｆａｃｅ　ｐｒｏｃｅｓｓｉｎｇ　ｉｎ　ｂｉｐｏｌａｒ　ｄｉｓｏｒｄｅｒ：　ａｎ　ｅｖｅｎｔ～ｒｅｌａｔｅｄ　ｐｏｔｅｎｔｉａｌ　ｓｔｕｄｙ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　ａｆｆｅｃ—　ｔｉｖｅ　ｄｉｓｏｒｄｅｒｓ，２０１１，１３３（１）：２１２—２２０．　［１９］　罗跃嘉，黄宇霞，李新影，等．情绪对认知加工的影　响：事件相关脑电位系列研究［Ｊ］．心理科学进展，　２００６，１４（４）：５０５—５１０．　［２Ｏ］　Ｄａｖｉｄｓｏｎ　Ｒ　Ｊ．Ａｎｔｅｒｉｏｒ　ｃｅｒｅｂｒａｌ　ａｓｙｍｍｅｔｒｙ　ａｎｄ　ｔｈｅ　ｎａ—　ｔｕｒｅ　ｏｆ　ｅｍｏｔｉｏｎ［Ｊ］．Ｂｒａｉｎ　ａｎｄ　Ｃｏｇｎｉｔｉｏｎ，１９９２，２０（１）：　１２５．１５１．　［２１］　Ｋｅｉｌ　Ａ，ｔｉｌｌｅｒ　Ｍ　Ｍ　Ｍ，Ｇｒｕｂｅｒ　Ｔ，ｅｔ　ａ１．Ｅｆｆｅｃｔｓ　ｏｆ　ｅｍｏ—　ｔｉｏｎａｌ　ａｒｏｕｓａｌ　ｉｎ　ｔｈｅ　ｃｅｒｅｂｒａｌ　ｈｅｍｉｓｐｈｅｒｅｓ：ａ　ｓｔｕｄｙ　ｏｆ　ｏｓ－　ｃｉｌｌａｔｏｒｙ　ｂｒａｉｎ　ａｃｔｉｖｉｔｙ　ａｎｄ　ｅｖｅｎｔ—ｒｅｌａｔｅｄ　ｐｏｔｅｎｔｉａｌｓ［Ｊ］．　Ｃｌｉｎｉｃａｌ　Ｎｅｕｒｏｐｈｙｓｉｏｌｏｇｙ，２００１，ｌ１２（１　１）：２０５７—２０６８．　［２２］　Ｓａｍｍｌｅｒ　Ｄ，Ｇｒｉｇｕｔｓｃｈ　Ｍ，Ｆｒｉｔｚ　Ｔ，ｅｔ　ａ１．Ｍｕｓｉｃ　ａｎｄ　ｅｍｏｔｉｏｎ：　ｅｌｅｃｔｒｏｐｈｙｓｉｏｌｏｇｉｃａｌ　ｃｏｒｒｅｌａｔｅｓ　ｏｆ　ｔｈｅ　ｐｒｏｃｅｓｓ－　ｉｎｇ　ｏｆ　ｐｌｅａｓａｎｔ　ａｎｄ　ｕｎｐｌｅａｓａｎｔ　ｍｕｓｉｃ［Ｊ］．Ｐｓｙｃｈｏｐｈｙｓ—　ｉｏｌｏｇｙ，２００７，４４（２）：２９３—３０４．　［２３］　Ｐｅｔｒａｎｔｏｎａｋｉｓ　Ｐ　Ｃ，Ｈａｄｊｉｌｅｏｎｔｉａｄｉｓ　Ｌ　Ｊ．Ａ　ｎｏｖｅｌ　ｅｍｏｔｉｏｎ　ｅｌｉｃｉｔａｔｉｏｎ　ｉｎｄｅｘ　ｕｓｉｎｇ　ｆｒｏｎｔａｌ　ｂｒａｉｎ　ａｓｙｍｍｅｔｙｒ　ｆｏｒ　ｅｎ—　ｈａｎｃｅｄ　ＥＥＧ～ｂａｓｅｄ　ｅｍｏｔｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．Ｉｎｆｏｒｍａ—　ｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ　ｉｎ　Ｂｉｏｍｅｄｉｃｉｎｅ，２０１】，ｌ５（５）：　７３７－７４６．　［２４］　Ｐａｒｋ　Ｋ　Ｓ，Ｃｈｏｉ　Ｈ，Ｌｅｅ　Ｋ　Ｊ，ｅｔ　ａ１．Ｅｍｏｔｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ａｓｙｍｍｅｔｒｉｃ　ｌｅｆｔ　ａｎｄ　ｒｉｇｈｔ　ａｃｔｉｖａｔｉｏｎ［Ｊ］．　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｍｅｄｉｃｉｎｅ　ａｎｄ　Ｍｅｄｉｃａｌ　Ｓｃｉｅｎｃｅｓ，　２０１Ｉ，３（６）：２０１—２０９．　［２５］　Ｌａｎｇ　Ｐ　Ｊ，Ｂｒａｄｌｅｙ　Ｍ　Ｍ，Ｃｕｔｈｂｅｒｔ　Ｂ　Ｎ．Ｉｎｔｅｒｎａｔｉｏｎａｌ　ａｆ－　６９２　信息工程大学学报　２０１６正　ｆｅｃｔｉｖｅ　ｐｉｃｔｕｒｅ　ｓｙｓｔｅｍ（ＩＡＰＳ）：Ｔｅｃｈｎｉｃａｌ　ｍａｎｕａｌ　ａｎｄ　　Ｓ，Ｈａｒｑｕｅｌ　Ｓ，ｅｔ　ａ１．Ｓｉｎｇｌｅ－ｔｒｉａｌ　［３８］　Ｍａｔｈｉｅｕ　Ｎ　Ｇ，Ｂｏｎｎｅｔａｆｆｅｃｔｉｖｅ　ｒａｔｉｎｇｓ［Ｊ］．ＮＩＭＨ　Ｃｅｎｔｅｒ　ｆｏｒ　ｔｈｅ　Ｓｔｕｄｙ　ｏｆ　Ｅ—　ｍｏｔｉｏｎ　ａｎｄ　Ａｔｔｅｎｔｉｏｎ，２００６，７７：３５２—３６０．　ＥＲＰ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｏｆ　ｅｍｏｔｉｏｎａｌ　ｐｒｏｃｅｓｓｉｎｇ［Ｃ］／／Ｎｅｕｒａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ（ＮＥＲ），２０１３　６ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　ＩＥＥＥ／ＥＭ—　ＢＳ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ．２０１３：１０１・１０４．　［２６］Ｃｏａｎ　Ｊ　Ａ，Ａｌｌｅｎ　Ｊ　Ｊ，ＭｃＫｎｉｇｈｔ　Ｐ　Ｅ．Ａ　ｃａｐａｂｉｌｉｔｙ　ｍｏｄｅｌ　ｏｆ　ｉｎｄｉｖｉｄｕａｌ　ｄｉｆｅｒｅｎｃｅｓ　ｉｎ　ｆｒｏｎｔａｌ　ＥＥＧ　ａｓｙｍｍｅｔｒｙ［Ｊ］．　Ｂｉｏｌｏｇｉｃａｌ　ｐｓｙｃｈｏｌｏｇｙ，２００６，７２（２）：１９８—２０７．　［３９］　吴畏．基于统计建模的多导联脑电信号时空建模方　法研究［Ｄ］．北京：清华大学，２０１２．　ｌａｎａｓ　Ｌ　Ｉ，Ｌｏｔｏｖａ　Ｎ　Ｖ，Ｋｏｓｈｋａｒｏｖ　Ｖ　Ｉ，ｃｔ　ａ１．Ｎｏｎ—　［４Ｏ］　Ａｆｌｉｎｅａｒ　ｄｙｎａｍｉｃ　ｃｏｍｐｌｅｘｉｔｙ　ｏｆ　ｔｈｅ　ｈｕｍａｎ　ＥＥＧ　ｄｕｒｉｎｇ　ｅ—　［２７］Ｋｏｔｂｅ　Ｃ　Ａ，Ｍａｋｅｉｇ　Ｓ，Ｏｎｔｏｎ　Ｊ　Ａ．Ｅｍｏｔｉｏｎ　Ｒｅｃｏｇｎｉｔｉｏｎ　ｆｒｏｍ　ＥＥＧ　Ｄｕｒｉｎｇ　Ｓｅｌｆ－Ｐａｃｅｄ　Ｅｍｏｔｉｏｎａｌ　Ｉｍａｇｅｒｙ［Ｃ］／／　Ａｆｆｅｃｔｉｖｅ　Ｃｏｍｐｕｔｉｎｇ　ａｎｄ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｉｎｔｅｒａｃｔｉｏｎ（ＡＣＩＩ），　２０１３　Ｈｕｍａｉｎｅ　Ａｓｓｏｃｉａｔｉｏｎ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ．　２０１３：　ｖｏｋｅｄ　ｅｍｏｔｉｏｎｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｐｓｙｃｈｏ－　ｐｈｙｓｉｏｌｏｇｙ，１９９８，２８（１）：６３・７６．　８５５．８５８．　［２８］Ｓｏｌｅｙｍａｎｉ　Ｍ，Ｌｉｃｈｔｅｎａｕｅｒ　Ｊ，Ｐｕｎ　Ｔ，ｅｌ　ａ１．Ａ　ＭｕｈｉＭｏ—　ｄｅｌ　Ｄａｔｅｂａｓｅ　ｆｏｒ　Ａｆｆｅｃｔ　Ｒｅｃｏｇｎｉｔｉｏｎ　ａｎｄ　Ｉｍｐｌｉｃｉｔ　Ｔａｇｇｉｎｇ　［Ｊ］．Ａｆｆｅｅｔｉｖｅ　Ｃｏｍｐｕｔｉｎｇ，２０１２，３（１）：４２—５５．　［２９］Ｋｏｅｌｓｔｒａ　Ｓ，Ｍｕｈｌ　Ｃ，Ｓｏｌｅｙｍａｎｉ　Ｍ，ｅｔ　ａ１．ＤＥＡＰ：Ａ　Ｄａｔａｂａｓｅ　ｆｏｒ　Ｅｍｏｔｉｏｎ　Ａｎａｌｙｓｉｓ　Ｕｓｉｎｇ　Ｐｈｙｓｉｏｌｏｇｉｃａｌ　Ｓｉｇ—　ｎａｌｓ［Ｊ］．Ａｆｆｅｃｔｉｖｅ　Ｃｏｍｐｕｔｉｎｇ，２０１２，３（１）：１８—３１．　［３０］Ｖｉｇｄｒｉｏ　Ｒ　Ｎ．Ｅｘｔｒａｃｔｉｏｎ　ｏｆ　ｏｃｕｌａｒ　ａｒｔｅｆａｃｔｓ　ｆｒｏｍ　ＥＥＧ　ｕ—　ｓｉｎｇ　ｉｎｄｅｐｅｎｄｅｎｔ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ［Ｊ］．Ｅｌｅｃｔｒｏｅｎ—　ｃｅｐｈａｌｏｇｒａｐｈｙ　ａｎｄ　ｃｌｉｎｉｃａｌ　ｎｅｕｒ。ｐｈｙｓｉ０１ｏｇｙ，１９９７，１０３　（３）：３９５４０４．　［３　１］Ｇｒａｔｔｏｎ　Ｇ．Ｄｅａｌｉｎｇ　ｗｉｔｈ　ａｒｔｉｆａｃｔｓ：Ｔｈｅ　ＥＯＧ　ｃｏｎｔａｍｉｎａ—　ｔｉｏｎ　ｏｆ　ｔｈｅ　ｅｖｅｎｔ—ｒｅｌａｔｅｄ　ｂｒａｉｎ　ｐｏｔｅｎｔｉａｌ［Ｊ］．Ｂｅｈａｖｉｏｒ　Ｒｅｓｅａｒｃｈ　Ｍｅｔｈｏｄｓ，Ｉｎｓｔｒｕｍｅｎｔｓ，＆Ｃｏｍｐｕｔｅｒｓ，１　９９８，　３Ｏ（１）：４４・５３．　［３２］Ｍａｋｅｉｇ　Ｓ，Ｂｅｌｌ　Ａ　Ｊ，Ｊｕｎｇ　Ｔ　Ｐ，ｅｔ　ａ１．Ｉｎｄｅｐｅｎｄｅｎｔ　ＣＯＢ—　ｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ　ｏｆ　ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｉｃ　ｄａｔａ［Ｃ］／／　Ａｄｖａｎｃｅｓ　ｉｎ　ｎｅｕｒａｌ　ｉｎｆｏｒｍａｔｉｏｎ　ｐｒｏｃｅｓｓｉｎｇ　ｓｙｓｔｅｍｓ　８，　Ｂｏｓｔｏｎ：ｔｈｅ　ＭＩＴ　ｐｒｅｓｓ．１９９６：１４５—１５１．　［３３］Ｗｉｎｋｌｅｒ　Ｉ，Ｈａｕｆｅ　Ｓ，Ｔａｎｇｅｒｍａｎｎ　Ｍ．Ａｕｔｏｍａｔｉｃ　ｃｌａｓｓｉｆｉ—　ｃａｔｉｏｎ　ｏｆ　ａｒｔｉｆａｃｔｕａｌ　ＩＣＡ—－ｃｏｍｐｏｎｅｎｔｓ　ｆｏｒ　ａｒｔｉｆａｃｔ　ｒｅｍｏｖ—　ａｌ　ｉｎ　ＥＥＧ　ｓｉｇｎａｌｓ［Ｊ］．Ｂｅｈａｖｉｏｒａｌ　ａｎｄ　Ｂｒａｉｎ　Ｆｕｎｃｔｉｏｎｓ，　２０１１，７（１）：３０４５．　［３４］Ａｂｂａｓｓ　Ｈ　Ａ．Ｃａｌｉｂｒａｔｉｎｇ　ｉｎｄｅｐｅｎｄｅｎｔ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙ—　ｓｉｓ　ｗｉｔｈ　ｌａｐｌａｃｉａｎ　ｒｅｆｅｒｅｎｃｅ　ｆｏｒ　ｒｅａｌ—ｔｉｍｅ　ＥＥＧ　ａｒｔｉｆａｃｔ　ｒｅ—　ｍｏｖａｌ［Ｃ］／／Ｎｅｕｒａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｐｒｏｃｅｓｓｉｎｇ．Ｓｐｒｉｎｇｅｒ　Ｉｎ—　ｔｅｒｎａｔｉｏｎａｌ　Ｐｕｂｌｉｓｈｉｎｇ．２０１４：６８－７５．　［３５］Ｚｈａｎｇ　Ｃ，Ｔｏｎｇ　Ｌ，Ｚｅｎｇ　Ｙ，ｅｔ　ａ１．Ａｕｔｏｍａｔｉｃ　Ａｒｔｉｆａｃｔ　Ｒｅｍｏｖａｌ　ｆｒｏｍ　Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ　Ｄａｔａ　Ｂａｓｅｄ　ｏｎ　Ａ　Ｐｒｉｏｒｉ　Ａｒｔｉｆａｃｔ　Ｉｎｆｏｒｍａｔｉｏｎ『Ｊ］．ＢｉｏＭｅｄ　Ｒｅｓｅａｒｃｈ　Ｉｎｔｅｒ—　ｎａｔｉｏｎａｌ，２０１５，２０１５（１）：７２０４５０．　［３６］Ｆｒａｎｔｚｉｄｉｓ　Ｃ　Ａ，Ｂｒａｔｓａｓ　Ｃ，Ｐａｐａｄｅｌｉｓ　Ｃ　Ｌ，ｅｔ　ａ１．Ｔｏ—　ｗａｒｄ　ｅｍｏｔｉｏｎ　ａｗａｒｅ　ｃｏｍｐｕｔｉｎｇ：ａｎ　ｉｎｔｅｇｒａｔｅｄ　ａｐｐｒｏａｃｈ　ｕｓｉｎｇ　ｍｕｈｉｃｈａｎｎｅｌ　ｎｅｕｒｏｐｈｙｓｉｏｌｏｇｉｃａｌ　ｒｅｃｏｒｄｉｎｇｓ　ａｎｄ　ａｆ－　ｆｅｅｔｉｖｅ　ｖｉｓｕａｌ　ｓｔｉｍｕｌｉ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ　ｉｎ　Ｂｉ—　ｏｍｅｄｉｃｉｎｅ，２０１０，１４（３）：５８９・５９７．　［３７］Ｂｏｚｈｋｏｖ　Ｌ，Ｋｏｐｒｉｎｋｏｖａ—Ｈｒｉｓｔｏｖａ　Ｐ，Ｇｅｏｒｇｉｅｖａ　Ｐ．Ｌｅａｒｎ—　ｉｎｇ　ｔｏ　ｄｅｃｏｄｅ　ｈｕｍａｎ　ｅｍｏｔｉｏｎｓ　ｗｉｔｈ　Ｅｃｈｏ　Ｓｔａｔｅ　Ｎｅｔｗｏｒｋｓ　［Ｊ］．Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ，２０１６，７８：１　１２－１　１９．　［４１］　Ｎｉｅ　Ｄ，Ｗａｎｇ　Ｘ　Ｗ，Ｓｈｉ　Ｌ　Ｃ，ｅｔ　ａ１．ＥＥＧ—ｂａｓｅｄ　ｅｍｏｔｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ｄｕｒｉｎｇ　ｗａｔｃｈｉｎｇ　ｍｏｖｉｅｓ［Ｃ］／／Ｎｅｕｒａｌ　Ｅｎｇｉ—　ｎｅｅｒｉｎｇ（ＮＥＲ），２０１　１　５　ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　ＩＥＥＥ／ＥＭＢＳ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ．２０１　ｌ：６６７－６７０．　［４２］　Ｋｈｏｓｒｏｗａｂａｄｉ　Ｒ，Ｗａｈａｂ　Ａ，Ａｎｇ　Ｋ　Ｋ，ｅｔ　ａ１．Ａｆｆｅｃｔｉｖｅ　ｃｏｍｐｕｔａｔｉｏｎ　ｏｎ　ＥＥＧ　ｃｏｒｒｅｌａｔｅｓ　ｏｆ　ｅｍｏｔｉｏｎ　ｆｒｏｍ　ｍｕｓｉｃａｌ　ａｎｄ　ｖｏｃａｌ　ｓｔｉｍｕｌｉ［Ｃ］／／Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ，２００９．ＩＪＣＮＮ　２００９．　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｉｎｔ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｉｌ．　２００９：　１５９０．１５９４．　［４３］　Ｍｕｒｕｇａｐｐａｎ　Ｍ，Ｒｉｚｏｎ　Ｍ，Ｎａｇａｒ￣ａｎ　Ｒ，ｅｔ　ａ１．Ｔｉｍｅ—　ｆｒｅｑｕｅｎｃｙ　ａｎａｌｙｓｉｓ　ｏｆ　ＥＥＧ　ｓｉｇｎａｌｓ　ｆｏｒ　ｈｕｍａｎ　ｅｍｏｔｉｏｎ　ｄｅ—　ｔｅｃｔｉｏｎ［Ｃ］／／４ｔｈ　Ｋｕａｌａ　Ｌｕｍｐｕｒ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｂｉｏｍｅｄｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　２００８．２００８：２６２—２６５．　［４４］　Ｔｏｍａｒｋｅｎ　Ａ　Ｊ，Ｄａｖｉｄｓｏｎ　Ｒ　Ｊ，Ｈｅｎｒｉｑｕｅｓ　Ｊ　Ｂ．Ｒｅｓｔｉｎｇ　ｆｒｏｎｔａｌ　ｂｒａｉｎ　ａｓｙｍｍｅｔｒｙ　ｐｒｅｄｉｃｔｓ　ａｆｆｅｃｔｉｖｅ　ｒｅｓｐｏｎｓｅｓ　ｔｏ　ｉｆｌｍｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　ｐｅｒｓｏｎａｌｉｔｙ　ａｎｄ　ｓｏｃｉａｌ　ｐｓｙｃｈｏｌ—　ｏｇｙ。１９９０，５９（４）：７９１—８０１．　［４５］　Ｌｉｕ　Ｙ，Ｓｏｕｒｉｎａ　Ｏ．Ｒｅａｌ—ｔｉｍｅ　ｆｒａｃｔａｌ・ｂａｓｅｄ　ｖａｌｅｎｃｅ　ｌｅｖｅｌ　ｒｅｃｏｇｎｉｔｉｏｎ　ｆｒｏｍ　ＥＥＧ［Ｍ］／／Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｃｏｍｐｕｔａ—　ｔｉｏｎａｌ　Ｓｃｉｅｎｃｅ　ＸＶｌｌｌ，２０１３：１０１—１２０．　［４６］　Ｂｒｏｗｎ　Ｌ。Ｇｒｕｎｄｌｅｈｎｅｒ　Ｂ．Ｐｅｎｄｅｒｓ　Ｊ．Ｔｏｗａｒｄｓ　ｗｉｒｅｌｅｓｓ　ｅｍｏｔｉｏｎａｌ　ｖａｌｅｎｃｅ　ｄｅｔｅｃｔｉｏｎ　ｆｒｏｍ　ＥＥＧ［ｃ］／／Ｅｎｇｉｎｅｅｒｉｎｇ　ｉｎ　Ｍｅｄｉｃｉｎｅ　ａｎｄ　Ｂｉｏｌｏｇｙ　Ｓｏｃｉｅｔｙ，ＥＭＢＣ，２０１　１　Ａｎｎｕａｌ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｆ　ｔｈｅ　ＩＥＥＥ．２０１　１：２１８８—２１９１．　［４７］　Ｌｉｎ　Ｙ　Ｐ，Ｙａｎｇ　Ｙ　Ｈ，Ｊｕｎｇ　Ｔ　Ｐ．Ｆｕｓｉｏｎ　ｏｆ　ｅｌｅｃｔｒｏｅｎ—　ｃｅｐｈａｌｏｇｒａｐｈｉｃ　ｄｙｎａｍｉｃｓ　ａｎｄ　ｍｕｓｉｃａｌ　ｃｏｎｔｅｎｔｓ　ｆｏｒ　ｅｓｔｉ—　ｍａｔｉｎｇ　ｅｍｏｔｉｏｎａｌ　ｒｅｓｐｏｎｓｅｓ　ｉｎ　ｍｕｓｉｃ　ｌｉｓｔｅｎｉｎｇ［Ｊ］．Ｆｒｏｎ—　ｔｉｅｒｓ　ｉｎ　ｎｅｕｒｏｓｃｉｅｎｅｅ，２０１４，９４（８）：１—１４．　［４８］　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）：１６２－１７５．　［４９］　Ａｆｔａｎａｓ　Ｌ　１，Ｌｏｔｏｖａ　Ｎ　Ｖ，Ｋｏｓｈｋａｒｏｖ　Ｖ　Ｉ，ｅｔ　ａ１．Ｎｏｎ—　ｌｉｎｅａｒ　ａｎａｌｙｓｉｓ　ｏｆ　ｅｍｏｔｉｏｎ　ＥＥＧ：ｃａｌｃｕｌａｔｉｏｎ　ｏｆ　Ｋｏｌｍｏｇ—　ｏｒｏｖ　ｅｎｔｒｏｐｙ　ａｎｄ　ｔｈｅ　ｐｒｉｎｃｉｐａｌ　Ｌｙａｐｕｎｏｖ　ｅｘｐｏｎｅｎｔ［Ｊ］．　Ｎｅｕｒｏｓｃｉｅｎｃｅ　ｌｅｔｔｅｒｓ，ｌ９９７，２２６（１）：１３—１６．　［５Ｏ］　Ｌｉｕ　Ｙ，Ｓｏｕｒｉｎａ　Ｏ．ＥＥＧ　ｄａｔａｂａｓｅｓ　ｆｏｒ　ｅｍｏｔｉｏｎ　ｒｅｃｏｇｎｉ・　ｔｉｏｎ［Ｃ］／／Ｃｙｂｅｒｗｏｒｌｄｓ（ＣＷ），２０１３　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎ　ｆｅｒｅｎｃｅ　ｏｎ．２Ｏ１３：３０２—３０９．　第６期　蒋静芳等：基于脑电信号的情绪评估研究综述　Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．Ｅｍｏｔｉｏｎ，２０１３（１）：５６－６０．　６９３　［５１］　Ｐｅｔｒａｎｔｏｎａｋｉｓ　Ｐ　Ｃ，Ｈａｄｊｉｌｅｏｎｔｉａｄｉｓ　Ｌ　Ｊ．Ｅｍｏｔｉｏｎ　ｒｅｃｏｇ－　ｎｉｔｉｏｎ　ｆｒｏｍ　ＥＥＧ　ｕｓｉｎｇ　ｈｉｇｈｅｒ　ｏｒｄｅｒ　ｃｒｏｓｓｉｎｇｓ［Ｊ］．Ｉｎｆｏｒ・　ｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ　ｉｎ　Ｂｉｏｍｅｄｉｃｉｎｅ，２０１０，１４（２）：　１８６．１９７．　［５８］Ｋｏ　Ｋ　Ｅ，Ｙａｎｇ　Ｈ　Ｃ，Ｓｉｍ　Ｋ　Ｂ．Ｅｍｏｔｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ｕ－　ｓｉｎｇ　ＥＥＧ　ｓｉｇｎａｌｓ　ｗｉｔｈ　ｒｅｌａｔｉｖｅ　ｐｏｗｅｒ　ｖａｌｕｅｓ　ａｎｄ　Ｂａｙｅｓ・　ｉａｎ　ｎｅｔｗｏｒｋ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｎｔｒｏｌ，Ａｕ—　ｔｏｍａｔｉｏｎ　ａｎｄ　Ｓｙｓｔｅｍｓ，２００９，７（５）：８６５・８７０．　［５２］　Ｂａｊａｊ　Ｖ，Ｐａｃｈｏｒｉ　Ｒ　Ｂ．Ｈｕｍａｎ　Ｅｍｏｔｉｏｎ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｒｆｏｍ　ＥＥＧ　Ｓｉｇｎａｌｓ　Ｕｓｉｎｇ　Ｍｕｈｉｗａｖｅｌｅｔ　Ｔｒａｎｓｆｏｒｍ［Ｃ］／／　Ｍｅｄｉｃａｌ　Ｂｉｏｍｅｔｒｉｃｓ（ＩＣＭＢ），２０１４　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒ－　ｅｎｃｅ　ｏｎ．２０１４：１２５—１３０．　ｉ　Ｓ，Ｍａｕｒｉ　Ｍ，Ｂａｒｂｉｅｒｉ　Ｒ，ｅｔ　ａ１．Ａｕｔｏｍａｔｉｃ　ｑｕａｎｔｉ・　［５３］　Ｓｃｏｔｔ　●［５９］Ｇｅｏｒｇｉｅｖａ　０，Ｍｉｌａｎｏｖ　Ｓ，Ｇｅｏｒｇｉｅｖａ　Ｐ，ｅｔ　ａ１．Ｌｅａｒｎｉｎｇ　ｔｏ　ｄｅｃｏｄｅ　ｈｕｍａｎ　ｅｍｏｔｉｏｎｓ　ｆｒｏｍ　ｅｖｅｎｔ—ｒｅｌａｔｅｄ　ｐｏｔｅｎｔｉａｌｓ　［Ｊ］．Ｎｅｕｒａｌ　ｃｏｍｐｕｔｉｎｇ＆ａｐｐｌｉｃａｔｉｏｎｓ，２０１５，２６（３）：　５７３－５８０．　ｔａｔｉｖｅ　ｅｖａｌｕａｔｉｏｎ　ｏｆ　ｅｍｏｔｉｏｎｓ　ｉｎ　Ｅ—ｌｅａｒｎｉｎｇ　ａｐｐｌｉｃａｔｉｏｎｓ　［６０］杨致蓉．抑郁症患者认知功能、应对方式研究［Ｄ］．　杭州：浙江大学，２００６．　［Ｃ］／／Ｅｎｇｉｎｅｅｒｉｎｇ　ｉｎ　Ｍｅｄｉｃｉｎｅ　ａｎｄ　Ｂｉｏｌｏｇｙ　Ｓｏｃｉｅｔｙ，　２００６．ＥＭＢＳ　Ｏ６．２８ｔｈ　Ａｎｎｕａｌ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｆ　ｔｈｅ　ＩＥＥＥ．２００６：１３５９—１３６２．　［６１］Ａａｒａｂｉ　Ａ，Ｆａｚｅｌ・ｒｅｚａｉ　Ｒ，Ａｇｈａｋｈａｎｉ　Ｙ．ＥＥＧ　Ｓｅｉｚｕｒｅ　Ｐｒｅｄｉｃｔｉｏｎ：Ｍｅａｓｕｒｅｓ　ａｎｄ　Ｃｈａｌｌｅｎｇｅｓ［Ｃ］／／３　１　ｔｈ　Ａｎｎｕａｌ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｆ　ｔｈｅ　ＩＥＥＥ　Ｅｎｇｉｎｅｅｒｉｎｇ　ｉｎ　Ｍｅｄｉｃｉｎｅ　ａｎｄ　Ｂｉｏｌｏｇｙ　Ｓｏｃｉｅｔｙ，Ｍｉｎｎｅａｐｏｌｉｓ．２００９：１　８６４一　ｌ８６７．　ｒＬ　ｒ●，ｒＬ　Ｚｈａｎｇ　Ｑ，Ｌｅｅ　Ｍ．Ａ　ｈｉｅｒａｒｃｈｉｃａｌ　ｐｏｓｉｔｉｖｅ　ａｎｄ　ｎｅｇａｔｉｖｅ　［５４］　ｅｍｏｔｉｏｎ　ｕｎｄｅｒｓｔａｎｄｉｎｇ　ｓｙｓｔｅｍ　ｂａｓｅｄ　ｏｎ　ｉｎｔｅｇｒａｔｅｄ　ａｎａｌｙ－　ｓｉｓ　ｏｆ　ｖｉｓｕａｌ　ａｎｄ　ｂｒａｉｎ　ｓｉｇｎａｌｓ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，　２０１０，７３（１６）：３２６４—３２７２．　¨　［６２］Ｍａｕｓｓ　Ｉ　Ｂ，Ｒｏｂｉｎｓｏｎ　Ｍ　Ｄ．Ｍｅａｓｕｒｅｓ　ｏｆ　ｅｍｏｔｉｏｎ：Ａ　ｒｅ．　１Ｊ　１Ｊ　１Ｊ　［５５］　Ｚｈｕ　Ｙ，Ｗａｎｇ　Ｓ，Ｊｉ　Ｑ．Ｅｍｏｔｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ｆｒｏｍ　ｕｓｅｒｓ　ＥＥＧ　ｓｉｇｎａｌｓ　ｗｉｔｈ　ｔｈｅ　ｈｅｌｐ　ｏｆ　ｓｔｉｍｕｌｕｓ　ＶＩＤＥＯＳ［Ｃ］／／　Ｍｕｌｔｉｍｅｄｉａ　ａｎｄ　Ｅｘｐｏ（ＩＣＭＥ）．２０１４：１－６．　ｅｗａｒｔ　Ａ　Ｘ，Ｎｕｔｈｍａｎｎ　Ａ，Ｓａｎｇｕｉｎｅｔｔｉ　Ｇ．Ｓｉｎｇｌｅ・ｔｉａｌｒ　［５６］　Ｓｔｖｉｅｗ［Ｊ］．Ｃｏｇｎｉｔｉｏｎ　ａｎｄ　ｅｍｏｔｉｏｎ，２００９，２３（２）：　２０９．２３７．　［６３］Ｌｅｅ　Ｙ　Ｙ，Ｈｓｉｅｈ　Ｓ．Ｃｌａｓｓｉｆｙｉｎｇ　ｄｉｆｆｅｒｅｎｔ　ｅｍｏｔｉｏｎａｌ　ｓｔａｔｅｓ　ｂｙ　ｍｅａｎｓ　ｏｆ　ＥＥＧ－ｂａｓｅｄ　ｆｕｎｃｔｉｏｎａｌ　ｃｏｎｎｅｃｔｉｖｉｔｙ　ｐａｔｔｅｒｎｓ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　ＥＥＧ　ｉｎ　ａ　ｖｉｓｕａｌ　ｏｂｊｅｃｔ　ｔａｓｋ　ｕｓｉｎｇ　ＩＣＡ　［Ｊ］．ＰｌｏＳ　ｏｎｅ，２０１４，９（４）：ｅ９５４１５．　［６４］雷旭．基于贝叶斯理论的ＥＥＧ—ｆＭＲＩ融合技术研究　［Ｄ］．成都：电子科技大学，２０１１．　ａｎｄ　ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　ｎｅｕｒｏｓｃｉｅｎｃｅ　ｍｅｔｈｏｄｓ，２０１４，２２８：１—１４．　ｎｇｈ　Ｍ，Ｓｉｎｇｈ　Ｍ　Ｍ，Ｓｉｎｇｈａｌ　Ｎ．ＡＮＮ　Ｂａｓｅｄ　Ｅｍｏｔｉｏｎ　［５７］　Ｓｉｏ●０●０●０●０●ｏ●０●０●ｏ●０●０●ｏ●０●ｏ’　・　●・９●０００●ｏ●＜＞●ｏ●ｏ●ｏ●ｏ●ｏ●０●ｏ●ｏ●ｏ●ｏ●ｏ●ｏ●００ｏ●ｏ●０●ｏ●ｏ●ｏ●ｏ●ｏ●０●ｏ●　（上接第６５０页）　［７］Ｘｉｅ　Ｆ，Ｘｕ　Ｍ，Ｃｈｅｎ　Ｚ．Ｒｂｒａ：ａ　ｓｉｍｐｌｅ　ａｎｄ　ｅｆｉｆｃｉｅｎｔ　ｒａｔ－　ｉｎｇ－ｂａｓｅｄ　ｒｅｃｏｍｍｅｎｄｅｒａｌｇｏｒｉｔｈｍ　ｔｏ　ｃｏｐｅ　ｗｉｔｈ　ｓｐａｒｓｉｔｙ　ｉｎ　Ｚｉｅｇｌｅｒ　Ｃ　Ｎ．Ｌａｕｓｅｎ　Ｇ．Ａｎａｌｙｚｉｎｇ　ｃｏｒｒｅｌａｔｉｏｎ　ｂｅｔｗｅｅｎ　ｔｒｕｓｔ　ａｎｄ　ｕｓｅｒ　ｓｉｍｉｌａｒｉｔｙ　ｉｎ　ｏｎｌｉｎｅｃｏｍｍｕｎｉｔｉｅｓ［Ｃ］／／Ｐａ・　ｐｅｒ　ｐｒｅｓｅｎｔｅｄ　ａｔ　ｔｈｅ　ｓｅｃｏｎｄ　ｉｎｔｅｒｎａｔｉｏｎａｌ　ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　ｔｒｎｓｔｍａｎａｇｅｍｅｎｔ．２００４，２９９５：２５　１－２６５．　ｒｅｃｏｍｍｅｎｄｅｒ　ｓｙｓｔｅｍｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆｌｈｅ　２６ｔｈ　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｄｖａｎｃｅｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｎｅｔｗｏｒｋｉｎｇ　ａｎｄＡｐ—　ｐｌｉｃａｔｉｏｎｓ　Ｗｏｒｋｓｈｏｐｓ．２００６：３０６－３１　１．　朱郁筱，吕琳嫒．推荐系统评价指标综述［Ｊ］．电子　科技大学学报，２０１２，４１（２）：１６３－１７５．　Ｃａｃｈｅｄａ　Ｆ，Ｃａｒｎｅｉｒｏ　Ｖ，Ｆｅｒｎａｎｄｅｚ　Ｄ，ｅｔ　ａ１．Ｃｏｍｐａｒｉ．　ｓｏｎ　ｏｆｃｏｌｌａｂｏｒａｔｉｖｅ　ｆｉｌｔｅｒｉｎｇ　ａｌｇｏｒｉｔｈｍｓ：ｌｉｍｉｔａｔｉｏｎｓ　ｏｆ　ｅｕｒｒｅｎｔｔｅｃｈｎｉｑｕｅｓ　ａｎｄ　ｐｒｏｐｏｓａｌｓ　ｆｏｒ　ｓｃａｌａｂｌｅ，ｈｉｇｈ－ｐｅｒ－　［８］曹振华．随机数学基础［Ｍ］，北京：高等教育出版　社，２００９．　［９］Ｓａｌａｋｈｕｔｄｉｎｏｖ　Ｒ，Ｍｎｉｈ　Ａ．Ｐｒｏｂａｂｉｌｉｓｔｉｃ　ｍａｔｒｉｘｆａｃｔｏｒｉｚａ．　ｔｉｏｎ［Ｊ］．Ａｄｖａｎｃｅｓ　ｉｎ　Ｎｅｕｒａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　ＰｒｏｃｅｓｓｉｎｇＳｙｓ・　ｔｅｒｎｓ，２００８，２０（１）：１２５７－１２６４．　ｆｏｍａｎｃｅｒｒｅｃｏｍｍｅｎｄｅｒ　ｓｙｓｔｅｍｓ［Ｊ］．ＡＣＭ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｗｅｂ，２０１ｌ，５（２）：ｌ＿３３．　［１０］Ｓｈｅｌｄｏｎ　Ｍ　Ｒｏｓｓ，统计模拟［Ｍ］．王兆君，译．北京：　人民邮电出版社，２００７．　黄崇福，王家鼎．模糊信息优化处理技术及其应用　［Ｍ］．北京：航空航天出版社，１９９５．