基于AsMap的自动特征提取用于EEG的情绪分类

用于跨数据集基于脑电图的情绪识别的掩码生成对比表示学习

Masked Generative-Contrastive Representation Learning for Cross-Dataset EEG-Based Emotion Recognition

提出掩码生成对比表示学习框架MGCRL用于跨数据集脑电图情绪识别，基于区域感知时空编码器，整合生成与对比学习，通过关键设计实现跨数据集泛化的细粒度和全局判别表示。

2026-09-09cs.LG

MGMCL：结合神经常微分方程的多粒度流形对比学习用于跨主体脑电情感识别

MGMCL: Multi-Granularity Manifold Contrastive Learning With Neural ODEs for Cross-Subject EEG Emotion Recognition

本文提出结合神经常微分方程的多粒度流形对比学习模型MGMCL，在三个公开脑电情感数据集上实现跨主体情感识别的最优性能，较现有方法有显著提升。

2026-08-11cs.LG

基于离散小波变换的实时的脑电情感识别

Real-time EEG-based Emotion Recognition using Discrete Wavelet Transforms on Full and Reduced Channel Signals

University of Malta（马耳他大学）

使用消费级EEG设备的实时的【形】基于EEG的情绪识别（EEG-ER）涉及使用减少数量的通道对情绪进行分类。这些设备通常只提供四个或五个通道，不像大多数当前最先进的研究中通常使用的大量通道（32个或更多）。在这项工作中，我们建议使用离散小波变换（DWT）提取时频域的功能，我们使用几秒钟的时间窗口来执行EEG-ER分类。这种技术可以实时的【形】使用，而不是事后对整个会话数据进行处理。我们还将先前研究中开发的基线去除预处理应用于我们提出的DWT熵和能量特征，这显著提高了分类精度。我们考虑两种不同的分类器架构，三维卷积神经网络（3D CNN）和支持向量机（SVM）。我们评估这两个模型的主体独立和主体依赖的设置分类的效价和唤醒维度的个人的情绪状态。我们在DEAP数据集提供的完整32通道数据以及同一数据集的简化5通道提取物上对其进行了测试。SVM模型在所有呈现的场景中表现最好，对于完整的32通道受试者依赖情况，在Valence上实现了95.32%的准确度，在Arousal上实现了95.68%的准确度，击败了先前的实时的【形】EEG-ER受试者依赖基准。在与受试者无关的情况下，也获得了80.70%的效价和81.41%的觉醒的准确性。将输入数据减少到5个通道，在所有情况下，准确度平均降低3.54%，使该模型适用于更容易获得的低端EEG设备。

2021-11-12cs.LG

群体共振网络：可学习原型与多受试共振用于EEG情绪识别

Group Resonance Network: Learnable Prototypes and Multi-Subject Resonance for EEG Emotion Recognition

Anhui University（安徽大学）

GRN通过结合个体EEG动态与群体共振建模，提升EEG情绪识别的跨受试性能，利用可学习原型和多受试共振机制实现更准确的分类。

2026-09-01cs.LG

CIT-EmotionNet：用于脑电情绪识别的CNN交互式Transformer网络

CIT-EmotionNet: CNN Interactive Transformer Network for EEG Emotion Recognition

Universiti Sains Malaysia（马来西亚理科大学）；Zhengzhou Railway Vocational and Technical College（郑州铁路职业技术学院）

本文提出CIT-EmotionNet，通过并行集成CNN与Transformer并设计交互模块融合EEG全局与局部特征，在SEED和SEED-IV数据集上分别达到98.57%和92.09%的识别准确率，优于现有方法。

2023-05-07cs.LGeess.SP

SFE-Net：基于对称空间特征提取的EEG情感识别

SFE-Net: EEG-based Emotion Recognition with Symmetrical Spatial Feature Extraction

University of Electronic Science and Technology of China（电子科技大学）

基于脑电信号的情感识别在人机交互、远程教育和医疗保健等领域有着广泛的应用。然而，传统的方法忽略了相邻和对称的特征，脑电信号，其中也包含了显着的信息有关的情绪。本文提出了一种空间折叠集成网络（SFE-Net）用于脑电特征提取和情感识别。首先，针对脑电电极间的未检测区域，提出了一种改进的Bicubic-EEG插值算法，用于脑电通道信息的补齐，使我们能够提取更大范围的相邻空间特征。然后，根据人脑空间对称性的特点，采用5种不同的对称策略对输入脑电信号通道数据进行折叠，使网络能够更有效地提取脑电信号的空间特征信息。最后，一个基于3DCNN的空间，时间提取，集成学习的多投票策略集成到一个新的神经网络模型。利用该网络，可以同时提取不同对称折叠信号的空间特征，大大提高了情感识别的鲁棒性和准确性。在DEAP和SEED数据集上的实验结果表明，该算法在识别精度方面具有相当的性能。

2021-08-27cs.LGeess.SP

基于EEG信号的可解释数据毒药攻击

Explainable Data Poison Attacks on Human Emotion Evaluation Systems based on EEG Signals

Khalifa University（哈利法大学）；Università degli Studi di Milano（米兰大学）

本文的主要目的是从攻击者的角度来解释在基于脑电信号（EEG）的人类情绪评估系统的训练阶段使用标签翻转的数据投毒攻击，该系统部署了机器学习模型。利用脑电信号进行人类情绪评估一直吸引着大量的研究关注。基于脑电信号的人类情绪状态识别可以有效地检测由内部个体引起的潜在内部威胁。然而，基于EEG信号的人类情感评估系统已经显示出对数据毒药攻击的几个漏洞。实验结果表明，建议的数据毒药攻击是模型独立的成功，虽然各种模型表现出不同程度的弹性攻击。此外，基于EEG信号的人类情绪评估系统的数据毒药攻击解释与几个解释人工智能（XAI）的方法，包括Shapley加法解释（SHAP）值，本地可解释模型不可知推理（LIME），和生成的决策树。本文的代码在GitHub上公开。

2023-01-17cs.LGeess.SP

PRISM: 基于优先级通道重要性与半监督域适应的跨被试脑电情绪识别

PRISM: Prioritized Channel Importance with Semi-supervised Domain Adaptation for Cross-Subject EEG Emotion Recognition

School of Computing, T. J Watson College of Engineering and Applied Science, Binghamton University - State University of New York（计算学院、T.J Watson工程与应用科学学院、宾夕法尼亚州立大学宾夕法尼亚州立大学）

提出PRISM框架，通过可微分通道加权和置信度过滤伪标签的半监督域适应，解决脑电情绪识别中的通道冗余和跨被试差异问题，在三个数据集上超越现有方法。

2026-07-02cs.LG

基于EEG的情感风格迁移网络用于跨数据集情感识别

EEG-based Emotion Style Transfer Network for Cross-dataset Emotion Recognition

Xidian University（西安电子科技大学）；Beijing Institute of Mechanical Equipment（北京机械设备研究所）；Southeast University（东南大学）

本文提出基于EEG的情感风格迁移网络E2STN，通过迁移模块、迁移评估模块和判别预测模块融合源域内容与目标域风格信息，生成风格化EEG表示，在跨数据集情感识别中取得最先进性能。

2023-08-09cs.HCcs.LGeess.SP

EMOD：利用V-A引导对比学习的统一EEG情绪表征框架

EMOD: A Unified EEG Emotion Representation Framework Leveraging V-A Guided Contrastive Learning

针对EEG情绪识别模型跨数据集泛化能力有限的问题，提出EMOD统一框架，通过V-A引导对比学习弥合语义与结构差距，在8个数据集预训练后于3个基准集达SOTA，提升泛化性与适应性。

2025-11-14cs.AIcs.LG

对人类情绪评估系统的可解释标签翻转攻击

Explainable Label-flipping Attacks on Human Emotion Assessment System

Khalifa University（哈利法大学）

本文的主要目标是提供一个攻击者的角度来看，数据投毒攻击，使用标签翻转在训练阶段的系统，使用脑电图（EEG）信号来评估人类的情绪。为了攻击不同的机器学习分类器，如自适应提升（AdaBoost）和随机森林，致力于使用EEG信号对4种不同的人类情绪进行分类，本文提出了两种标签翻转方法。研究结果表明，基于标签翻转的数据毒药攻击无论采用哪种模型都是成功的，但不同模型对攻击的抵抗程度不同.此外，许多可解释的人工智能（XAI）技术被用来解释基于EEG信号的人类情绪评估系统上的数据毒药攻击。

2023-02-08cs.LG

用于二元情绪分类的谱时EEG生物标记

Spectro Temporal EEG Biomarkers For Binary Emotion Classification

TCS Research（塔塔咨询服务研究部）

脑电信号是情感检测中最可靠的生理信号之一。由于脑电本质上是非平稳的，因此用频谱时间表示法可以更好地分析脑电。像离散小波变换（DWT）这样的标准特征可以表示EEG的频谱动态中的时间变化，但是不足以提取其他方式的信息，即时间动态中的频谱变化。另一方面，基于经验模式分解（EMD）的特征可以用于弥合上述差距。为此，我们在EMD基础上提取了两个新的特征，即（a）边缘希尔伯特谱（MHS）和（b）基于EMD的全息希尔伯特谱分析（HHSA），以更好地表示二维A-V空间中的情感。这些功能的有用性EEG情绪分类研究通过广泛的实验，使用国家的最先进的分类器。此外，在DEAP数据集上进行的实验，在A-V空间中的二进制情感分类，揭示了所提出的功能的时间和频谱特征的标准集的有效性。

2022-02-02cs.LGeess.SP

基于EEG信号时空特征的跨被试情绪识别

Inter Subject Emotion Recognition Using Spatio-Temporal Features From EEG Signal

Indian Institute of Information Technology, Allahabad（印度信息技术学院阿拉哈巴德分校）

提出一种基于EEGNet架构的跨被试情绪识别模型，结合CNN的常规、深度和可分离卷积层学习EEG时空特征，在DENS数据集上达到73.04%的准确率。

2023-05-27cs.HCcs.LGeess.SP

DAH-Net: 用于可解释且鲁棒的基于脑电情绪识别的双注意力混合网络

DAH-Net: A Dual-Attention Hybrid Network for Interpretable and Robust EEG-Based Emotion Recognition

Department of Electrical \& Computer Engineering University of Missouri Columbia, Missouri, USA；Department of Computer Science；Engineering City University Savar, Dhaka-1340, Bangladesh；Department of Computer Science University of Missouri Columbia, Missouri, USA

提出DAH-Net双注意力混合网络，集成1D-CNN、BiLSTM和双多头注意力，在2479样本988特征上达到99.19%测试准确率，优于传统模型，并通过特征分析揭示协方差特征贡献最大。

2026-06-09cs.LG

基于脑电的功能连接模式在多模态情绪识别中的应用研究

Investigating EEG-Based Functional Connectivity Patterns for Multimodal Emotion Recognition

Shanghai Jiao Tong University（上海交通大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）

与运动脑机接口（BCI）的丰富研究相比，新近兴起的情感BCI面临着明显的挑战，因为涉及情感的脑功能连接网络尚未得到充分研究。以往基于脑电信号的情感识别研究主要依赖于基于单通道的特征提取方法。在本文中，我们提出了一种新的情感相关的关键子网络的选择算法，并研究了三个EEG功能连接网络的功能：强度，聚类系数和特征向量中心。在三个公开的情绪EEG数据集：SEED，SEED-V，和DEAP上评估了EEG连接特征在情绪识别中的区分能力。强度特征实现了最佳的分类性能，并且优于基于单通道分析的最新差分熵特征。实验结果表明，厌恶、恐惧、悲伤、快乐和中立这五种情绪都表现出不同的功能连接模式。此外，我们构建了一个多模态情感识别模型相结合的功能连接功能的特征，从脑电和眼动或生理信号的特征，使用深度典型相关分析。多模态情感识别的分类准确率在SEED数据集上为95.08/6.42%，在SEED-V数据集上为84.51/5.11%，在DEAP数据集上分别为85.34/2.90%和86.61/3.76%。结果表明，互补的表示特性的EEG连接功能与眼动数据。此外，我们发现，与62通道网络在多模态情感识别中实现了相当的性能与18通道构建的大脑网络，并使BCI系统在真实场景中更容易设置。

2020-04-04cs.HCcs.LG

DAGAM：一种面向主体无关脑电情感识别的领域对抗图注意模型

DAGAM: A Domain Adversarial Graph Attention Model for Subject Independent EEG-Based Emotion Recognition

Northwestern Polytechnic University（西北工业大学）；Shaanxi Normal University（陕西师范大学）

基于脑电信号的情感识别面临的最大挑战之一是脑电信号的跨学科变化，导致性能和泛化能力差。本文提出了一种新的基于EEG的情感识别模型，称为域对抗图注意力模型（DAGAM）。其基本思想是生成一个图形来模拟多通道EEG信号，使用生物拓扑结构。图论可以拓扑地描述和分析脑电通道之间的关系和相互依赖性。然后，与其他图卷积网络不同，自注意力池被应用于从图中提取显著的EEG特征，这有效地提高了性能。最后，在图池化之后，基于图的领域对抗算法被用于识别和处理不同受试者的脑电变化，有效地达到了良好的泛化能力。我们对两个基准数据集（SEED和SEED IV）进行了广泛的评估，并在独立于主体的情感识别方面获得了最先进的结果。我们的模型将SEED准确度提高到92.59%（提高4.69%），最低标准偏差为3.21%（下降2.92%），SEED IV准确度提高到80.74%（提高6.90%），最低标准偏差为4.14%（下降3.88%）。

2022-02-27cs.LGeess.SP

基于EEG特征模式学习的动态熵跨个体情绪识别

Cross-individual Recognition of Emotions by a Dynamic Entropy based on Pattern Learning with EEG features

使用脑电图（EEG）和机器学习方法来识别情绪可以促进情感人机交互。然而，EEG数据的类型构成了跨个体EEG特征建模和分类的障碍。为了解决这个问题，我们提出了一个深度学习框架，称为动态基于熵的模式学习（DEPL），以抽象与多个个体之间的神经生理特征有关的信息指标。DEPL通过对基于动态熵的特征的皮层位置之间的相互依赖性进行建模，增强了由深度卷积神经网络生成的表示的能力。DEPL的有效性已经通过两个公共数据库进行了验证，这两个公共数据库通常被称为DEAP和MAHNOB-HCI多模式标记数据库。具体而言，离开一个主题的培训和测试范式已被应用。大量的脑电情感识别实验表明，DEPL优于传统的机器学习（ML）方法，能够在电极依赖关系之间进行学习。这对于在实际应用中开发适应人类情感的有效人机交互系统具有重要意义。

2021-05-25cs.LGeess.SP

基于脑连通性及其空间信息的卷积神经网络情绪识别

Convolutional Neural Network Approach for EEG-based Emotion Recognition using Brain Connectivity and its Spatial Information

School of Integrated Technology, Yonsei University（延世大学融合技术学院）

基于脑电的情感识别作为实现以人为中心的服务的一种方式受到关注。然而，仍然有很大的改进空间，特别是在识别精度方面。在本文中，我们提出了一种新的深度学习方法，使用卷积神经网络（CNN）进行基于EEG的情感识别。特别是，我们采用了以前研究中未与深度学习模型一起使用的大脑连接特征，这些特征可以解释不同大脑区域的同步激活。此外，我们开发了一种方法来有效地捕捉不对称的大脑活动模式，情感识别是重要的。实验结果证实了我们的方法的有效性。

2018-09-12cs.HCcs.LG

EEGFuseNet：高维EEG的混合无监督深度特征表征和融合及其在情感识别中的应用

EEGFuseNet: Hybrid Unsupervised Deep Feature Characterization and Fusion for High-Dimensional EEG with An Application to Emotion Recognition

Shenzhen University（深圳大学）；Kyoto University（京都大学）；Peng Cheng Laboratory（鹏城实验室）；ATR Neural Information Analysis Laboratories（ATR神经信息分析实验室）

如何有效地从高维脑电信号中提取有效、可靠的特征，特别是如何将脑的时空动态信息融合到更好的特征表示中，是脑数据分析中的关键问题。目前的脑电研究大多采用任务驱动的方式，利用有监督的模型来探索有效的脑电特征，这在很大程度上会受到给定标签的限制。在本文中，我们提出了一个实用的混合无监督深度卷积递归生成对抗网络的EEG特征表征和融合模型，这被称为EEGFuseNet。EEGFuseNet以无监督的方式进行训练，并自动表征涵盖空间和时间动态的深层EEG特征。与现有特征相比，表征的深度EEG特征可以被认为是更通用的，并且独立于任何特定的EEG任务。EEGFuseNet提取的深度和低维特征的性能进行了仔细评估，在一个无监督的情感识别应用程序的基础上，三个公共情感数据库。实验结果表明，EEGFuseNet是一种鲁棒、可靠的模型，易于训练，能够有效地表示和融合动态脑电特征。特别是，EEGFuseNet被建立为一个最佳的无监督融合模型，具有良好的跨学科情感识别性能。实验证明，EEGFuseNet能够表征和融合不同情绪状态变化所对应的具有比较皮层动力学意义的深层特征，并证明了在纯无监督的情况下实现基于脑电的跨主体情绪识别的可能性。

2021-08-27cs.HCcs.LGeess.SP

用于EEG情感识别的渐进图卷积网络

Progressive Graph Convolution Network for EEG Emotion Recognition

Xidian University（西安电子科技大学）；Southeast University（东南大学）；Beijing Institute of Mechanical Equipment（北京机械设备研究所）

神经科学领域的研究揭示了情绪模式与脑功能区之间的关系，表明不同脑区之间的动态关系是影响通过脑电图（EEG）确定的情绪识别的重要因素。此外，在EEG情感识别中，我们可以观察到，基于相同的EEG数据，粗粒度情感之间的边界比细粒度情感之间的边界更清晰;这表明大的粗粒度和小的细粒度情感变化的同时发生。因此，从粗到细粒度类别的渐进分类过程可能有助于EEG情感识别。因此，在这项研究中，我们提出了一个渐进的图形卷积网络（PGCN）的EEG情感信号中捕捉这一固有特性，并逐步学习的歧视性EEG功能。为了适应不同的EEG模式，我们构建了一个双图模块来表征不同EEG通道之间的内在关系，包含了神经科学研究中大脑区域的动态功能连接和静态空间邻近信息。此外，出于对粗粒度和细粒度情感之间关系的观察，我们采用了双头模块，使PGCN能够逐步学习更多的判别性EEG特征，从粗粒度（容易）到细粒度类别（困难），指的是情感的层次特征。为了验证我们的模型的性能，我们在两个公共数据集上进行了大量的实验：SEED-IV和多模态生理情感数据库（MPED）。

2021-12-14cs.AIcs.CVcs.HC

基于情感EEG信号的帕金森病自动检测和情感分析

Automated Parkinson's Disease Detection and Affective Analysis from Emotional EEG Signals

University of Canberra（堪培拉大学）；Kuwait College of Science and Technology（科威特科技学院）

虽然帕金森病（PD）的典型特征是运动障碍，但有证据表明PD患者的情绪感知减弱。本研究探讨了情感脑电图（EEG）信号的效用，以了解PD与健康对照（HC）之间的情感差异，并用于自动PD检测。采用传统的机器学习和深度学习方法，我们探索了（a）维度和类别的情绪识别，以及（b）情绪EEG信号的PD与HC分类。我们的研究结果表明，PD患者理解唤醒比效价，和情绪类别中，\textit{fear}，\textit{disgust}和\textit{surprise}不太准确，和\textit{sadness}最准确。错误标记分析证实了相反效价的情绪与PD数据之间的混淆。情绪EEG反应也实现了近乎完美的PD与HC识别。{累积起来，我们的研究表明，（a）单独检查\textit{implicit}反应能够（i）发现PD患者中的效价相关损伤，以及（ii）区分PD和HC，以及（b）情绪EEG分析是相对于自我报告，专家评估和静息状态分析的PD诊断的生态有效，有效，简便和可持续的工具。}

2022-02-21cs.AIcs.LGeess.SP

ScalingNet：从原始EEG数据中提取特征用于情感识别

ScalingNet: extracting features from raw EEG data for emotion recognition

Northwest University（西北大学）

卷积神经网络（CNN）在各种任务中取得了显着的性能突破。最近，基于人工提取的EEG特征的CNN方法逐渐在基于EEG数据的情感识别任务上产生了强大的性能。在本文中，我们提出了一种新的卷积层，允许从原始EEG信号中自适应地提取有效的数据驱动的类谱图特征，我们将其称为缩放层。此外，它利用从一个数据驱动模式缩放的卷积核来暴露类似频率的维度，以解决需要手动提取特征或其近似值的现有方法的缺点。提出的基于缩放层的神经网络架构（称为ScalingNet）在已建立的DEAP基准数据集上取得了最先进的结果。

2021-02-07cs.LGeess.SP

基于EEG的情感识别中的图神经网络：综述

Graph Neural Networks in EEG-based Emotion Recognition: A Survey

Nanyang Technological University, Singapore（南洋理工大学）；Xi’an Jiaotong University, Xi’an, China（西安交通大学）；Imperial College London, London, UK（伦敦帝国理工学院）；Amazon, Seattle, WA, USA（亚马逊）；Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学）；Uber Technologies, Inc., USA（Uber Technologies, Inc.）；School of Computer Science, Central China Normal University, Wuhan, China（中央财经大学计算机学院）；Institute of Automation, Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所）

本文综述了基于EEG的情感识别中图神经网络的应用，分析了现有方法的共性与差异，并探讨了未来研究方向。

2026-03-03cs.LGeess.SP

基于EEG信号的三元情绪分类使用机器学习

Three-Way Emotion Classification of EEG-based Signals using Machine Learning

本文提出使用随机森林模型对EEG信号进行三元情绪分类，实验表明其在准确率和F1分数上表现最佳。

2026-01-31cs.LGeess.SP

从脑电图中揭示情绪：一种基于GRU的方法

Unveiling Emotions from EEG: A GRU-Based Approach

Indraprastha Institute of Information Technology（英德拉普拉斯塔信息技术学院）；Vellore Institute of Technology（韦洛尔理工学院）；Indian Institute of Technology（印度理工学院）

本文研究基于GRU的EEG情绪识别方法，通过伪迹去除、带通滤波和归一化预处理，在验证集上达到100%准确率，证明了深度学习模型在情感计算中的潜力。

2023-07-20cs.LGeess.SP

跨主体情感识别中主体不变EEG表征的对比学习

Contrastive Learning of Subject-Invariant EEG Representations for Cross-Subject Emotion Recognition

Tsinghua University（清华大学）；Sichuan University（四川大学）

近年来，脑电信号被报道用于情感识别是信息丰富和可靠的。然而，情绪相关脑电信号的个体间差异性仍然对基于脑电信号的情绪识别的实际应用提出了很大的挑战。受近年来神经科学对主体间关联研究的启发，本文提出了一种基于对比学习的主体间对齐方法（CLISA）来解决跨主体情感识别问题。采用对比学习，通过最大化受试者之间的EEG信号表征的相似性，当他们接收到相同的情绪刺激时，与不同的情绪刺激相比，最大限度地减少受试者之间的差异。具体而言，卷积神经网络被应用于从对比学习中的EEG时间序列学习受试者间对齐的时空表示。对齐的表示随后用于提取差分熵特征用于情感分类。CLISA在我们的THU-EP数据集（80名受试者）和公开的SEED数据集（15名受试者）上实现了最先进的跨学科情感识别性能。它可以推广到测试中看不见的主题或看不见的情感刺激。此外，CLISA学习的时空表征可以为人类情绪处理的神经机制提供见解。

2022-04-06cs.HCcs.LGeess.SP

面向消费者的基于脑电图的情绪识别系统：一种多尺度卷积神经网络方法

Consumer-friendly EEG-based Emotion Recognition System: A Multi-scale Convolutional Neural Network Approach

VNU-HCM High School for the Gifted, Ho Chi Minh City, Vietnam School of Electrical \& Computer Engineering, Cornell University, USA

本研究提出一种多尺度卷积神经网络模型，利用多种比率系数和四脑区学习核，在现实情境下进行脑电情绪识别，并在效价、唤醒度和优势度预测上优于TSception模型。

2025-06-19cs.AIcs.LG

基于深度生成模型的EEG情感识别数据增强

Data Augmentation for Enhancing EEG-based Emotion Recognition with Deep Generative Models

Shanghai Jiao Tong University（上海交通大学）

从脑电图（EEG）中进行情感识别的数据稀缺问题导致难以使用机器学习算法或深度神经网络建立高精度的情感模型。受新兴的深度生成模型的启发，我们提出了三种增强EEG训练数据的方法，以提高情感识别模型的性能。我们提出的方法基于两个深度生成模型，变分自动编码器（VAE）和生成对抗网络（GAN），以及两种数据增强策略。对于完全使用策略，所有生成的数据都被增加到训练数据集，而不判断生成的数据的质量，而对于部分使用策略，只选择高质量的数据并附加到训练数据集。这三种方法被称为条件Wasserstein GAN（cW GAN）、选择性VAE（sVAE）和选择性WGAN（sW GAN）。为了评估这些方法的有效性，我们进行了系统的实验研究两个公开的情绪识别EEG数据集，即，种子和DEAP。我们首先生成两种形式的逼真的EEG训练数据：功率谱密度和微分熵。然后，我们用不同数量的生成的逼真的EEG数据来增强原始训练数据集。最后，我们训练支持向量机和具有快捷层的深度神经网络，以使用原始和增强的训练数据集构建情感模型。实验结果表明，我们的方法产生的增强训练数据集增强了基于EEG的情感识别模型的性能，并优于现有的数据增强方法，如条件VAE，高斯噪声和旋转数据增强。

2020-06-17cs.LGeess.SP

用于情感识别的深度递归半监督EEG表示学习

Deep Recurrent Semi-Supervised EEG Representation Learning for Emotion Recognition

Queen’s University（女王大学）

基于EEG的情感识别通常需要足够的标记训练样本来构建有效的计算模型。另一方面，标记EEG数据通常昂贵且耗时。为了解决这个问题，并减少在基于EEG的情感识别的背景下对输出标签的需求，我们提出了一个半监督管道，以联合利用未标记和标记的数据来学习EEG表示。我们的半监督框架由无监督和监督组件组成。无监督部分使用自动编码器最大化原始和重构输入数据之间的一致性，而同时监督部分最小化输入和输出标签之间的交叉熵。我们评估我们的框架使用堆叠的自动编码器和基于注意力的经常性自动编码器。我们在大规模SEED EEG数据集上测试了我们的框架，并将我们的结果与其他几种流行的半监督方法进行了比较。我们的半监督框架具有基于深度注意力的递归自动编码器，即使在训练期间输出标签的小子集（3%，5%和10%）可用时，也始终优于基准方法，从而实现了新的最先进的半监督性能。

2021-07-28cs.LGeess.SP

GMSS：基于图的多任务自监督学习EEG情感识别

GMSS: Graph-Based Multi-Task Self-Supervised Learning for EEG Emotion Recognition

Xidian University（西安电子科技大学）；Southeast University（东南大学）

以往的脑电信号情感识别依赖于单任务学习，这可能导致过拟合和学习的情感特征缺乏泛化能力。提出了一种基于图的多任务自监督学习模型（GMSS）用于脑电情感识别。GMSS具有通过整合多个自我监督任务（包括空间和频率拼图任务以及对比学习任务）来学习更一般的表征的能力。通过同时从多个任务中学习，GMSS可以找到捕获所有任务的表示，从而减少原始任务上过拟合的机会，即，情绪识别任务特别是，空间拼图任务旨在捕捉不同大脑区域的内在空间关系。考虑到频率信息在脑电情感信号中的重要性，频率拼图任务的目标是探索脑电情感识别的关键频段。为了进一步规范学习的特征并鼓励网络学习固有的表示，在这项工作中采用了对比学习任务，将转换后的数据映射到一个公共的特征空间。建议GMSS的性能进行了比较，与几个流行的无监督和监督的方法。在SEED、SEED-IV和MPED数据集上的实验表明，该模型在学习更有鉴别力和通用性的脑电信号情感特征方面具有显著优势。

2022-04-12cs.AIcs.LGeess.SP

利用严肃游戏SAM评分与混合深度学习的时空EEG情绪识别

Spatiotemporal EEG-Based Emotion Recognition Using SAM Ratings from Serious Games with Hybrid Deep Learning

Department of Computer Science, Electrical Engineering and Mathematical Sciences, Western Norway University of Applied Sciences（计算机科学、电气工程与数学科学系，西挪威应用科学大学）

本文基于GAMEEMO数据集提出统一多粒度EEG情绪分类框架，结合结构化预处理与多种机器学习及混合深度模型，LSTM-GRU在二分类、多分类和多标签任务中取得最优性能。

2025-08-28cs.AIcs.LG

EmT：一种用于泛化跨被试EEG情绪识别的新型Transformer

EmT: A Novel Transformer for Generalized Cross-subject EEG Emotion Recognition

College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；Wilmar International（丰益国际）

针对跨被试EEG情绪识别中长期上下文建模不足的问题，提出EmT，通过时间图、RMPG、TCT和TSO提升分类与回归性能。

2025-03-17cs.LGeess.SP

基于正则化图神经网络的脑电情感识别

EEG-Based Emotion Recognition Using Regularized Graph Neural Networks

Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly (LILY)（南洋理工大学-不列颠哥伦比亚大学活跃老年生活卓越联合研究中心（LILY））；Nanyang Technological University（南洋理工大学）；Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-南洋理工大学新加坡联合研究院）；School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）

脑电图（EEG）通过电极测量大脑不同区域的神经元活动。现有的许多基于EEG的情感识别研究没有充分利用EEG通道的拓扑结构。在本文中，我们提出了一个正则化的图神经网络（RGNN）的EEG为基础的情感识别。RGNN考虑了不同脑区之间的生物拓扑结构，以捕获不同EEG通道之间的局部和全局关系。具体地说，我们通过一个图神经网络的邻接矩阵模型的EEG信号的通道间的关系，其中的连接和稀疏的邻接矩阵的灵感来自于人类大脑组织的神经科学理论。此外，我们提出了两个正则化器，即节点域对抗训练（NodeDAT）和情感感知分布学习（MixtionDL），以更好地处理跨主题EEG变化和噪声标签。在两个公共数据集，种子和种子-IV，广泛的实验表明，我们的模型比国家的最先进的模型在大多数实验设置的优越性能。此外，消融研究表明，建议的邻接矩阵和两个正则化贡献一致的和显着的增益，我们的RGNN模型的性能。最后，对神经元活动的研究揭示了基于EEG的情绪识别的重要脑区和通道间关系。

2020-05-13cs.AIcs.CVcs.HC

基于多尺度分形分析的EEG信号在音乐情感识别中的应用

Multiscale Fractal Analysis on EEG Signals for Music-Induced Emotion Recognition

School of ECE, National Technical University of Athens（雅典国家技术大学电气与计算机工程学院）

从EEG信号的情绪识别已经研究了很长时间，因为它可以帮助许多医疗和康复应用。然而，其复杂和嘈杂的结构已被证明是一个严重的障碍，传统的建模方法。在本文中，我们采用多重分形分析来研究的行为，EEG信号的波动和破碎的程度沿其主要的频段，为任务的情绪识别。为了提取与情绪相关的特征，我们利用两种新的算法进行脑电分析，基于多尺度分形维数和多重分形去趋势波动分析。所提出的特征提取方法有效地执行，超过了一些广泛使用的基线功能的竞争DEAP数据集，表明多重分形分析可以作为基础的情感状态识别的鲁棒模型的发展。

2021-12-13cs.IRcs.LGeess.SP

基于Transformer的脑电情绪识别时空特征学习模型

Transformer Based Model for Spatiotemporal Feature Learning in EEG Emotion Recognition

Beijing Neurodeep Technology Co., Ltd（北京纽罗德普科技有限公司）；University of Pennsylvania（宾夕法尼亚大学）

提出EEG-TransNet架构，通过局部自注意力块和模糊注意力同步Transformer捕捉脑电信号的时空特征，在三个数据集上优于现有方法。

2026-06-09cs.AIcs.LG

基于权重的神经元模型矩阵框架为基于脑电信号的跨数据集情感识别提供了一种合理的解决方案

Weight-based Channel-model Matrix Framework provides a reasonable solution for EEG-based cross-dataset emotion recognition

Lanzhou University（兰州大学）；Beijing Institute of Technology（北京理工大学）；Inner Mongolia University（内蒙古大学）；Shandong Academy of Intelligent Computing Technology（山东智能计算技术研究院）；Chinese Academy of Sciences（中国科学院）

跨数据集情感识别是基于脑电信号的情感计算领域中一个极具挑战性的任务，它受到多种因素的影响，使得通用模型的识别效果不理想。针对脑电信息解码研究缺乏的现状，首先在5个公开数据集上，通过样本空间可视化、样本聚集现象量化和能量模式分析，分析了不同脑电信息（个体、会话、情绪和试验）对情绪识别的影响。基于这些现象和模式，我们提供了各种脑电差异的处理方法和解释工作。通过对情绪特征分布模式的分析，发现个体情绪特征分布差异（IEFDD）是影响情绪识别稳定性的主要因素。分析了传统建模方法受IEFDD影响的局限性，提出了基于权重的通道模型矩阵框架（WCMF）。为合理表征情感特征分布模式，设计了4种权重提取方法，其中校正T检验（CT）权重提取方法效果最佳。最后，通过模拟不同实际场景的两类跨数据集任务验证了WCMF的性能，结果表明WCMF具有更稳定、更好的情感识别能力。

2022-11-04cs.AIcs.LGeess.SP

基于脑电的情感识别中的基准领域泛化

Benchmarking Domain Generalization on EEG-based Emotion Recognition

Zhejiang University（浙江大学）；HwaMei Hospital, University of Chinese Academy of Sciences（中国科学院大学华美医院）；Ningbo Institute of Life and Health Industry, University of Chinese Academy of Sciences（中国科学院大学宁波生命与健康产业研究院）

近年来，基于脑电的情感识别技术取得了巨大的进步。具体来说，在过去的五年中，许多领域自适应（DA）算法已被利用，以提高跨学科的情感识别模型的泛化。DA方法假设校准数据（尽管未标记）存在于目标域（新用户）中。然而，这一假设与应用场景相冲突，即模型应该在没有耗时的校准实验的情况下部署。我们认为，域泛化（DG）是更合理的比DA在这些应用中。DG通过利用多个源域的知识学习如何推广到未知的目标域，这为训练通用模型提供了新的可能性。在本文中，我们第一次基准国家的最先进的DG算法的EEG为基础的情感识别。由于卷积神经网络（CNN），深度简短网络（DBN）和多层感知器（MLP）已被证明是有效的情感识别模型，我们使用这三个模型作为坚实的基线。实验结果表明，DG在SEED数据集上对三种情绪的识别准确率高达79.41%，表明了DG在多源零训练情绪识别中的潜力.

2022-04-18cs.LGeess.SP

基于连通性特征和卷积神经网络的情感EEG分类

Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks

Yonsei University（延世大学）；University of California, Davis（加州大学戴维斯分校）；University of California, Los Angeles（加州大学洛杉矶分校）

卷积神经网络（CNN）被广泛用于通过脑电图（EEG）信号来识别用户的状态。在以往的研究中，脑电信号通常以高维原始数据的形式输入到CNN中。然而，这种方法使得难以利用在描述功能性大脑网络和估计用户的感知状态中可以有效的大脑连接信息。我们引入了一个新的分类系统，利用大脑连接与CNN，并通过使用三种不同类型的连接措施的情感视频分类验证其有效性。此外，提出了两种数据驱动的方法来构建连接矩阵，以最大限度地提高分类性能。进一步的分析表明，与目标视频的情感属性相关的大脑连接的集中程度与分类性能相关。

2021-01-18cs.HCcs.LG

基于原始EEG信号分析的混合量子深度学习情绪检测模型

Hybrid Quantum Deep Learning Model for Emotion Detection using raw EEG Signal Analysis

School of Electronics Engineering, Vellore Institute of Technology（韦洛尔理工学院电子工程学院）

针对传统基于EEG的情绪识别受噪声和高维数据限制的问题，提出混合量子深度学习模型，结合量子增强特征提取与传统深度学习分类，预处理后捕捉脑波模式及带间相互作用，提升情绪识别准确性，为相关领域应用提供工具。

2024-11-19cs.AIcs.LGeess.SP

差分注意力解锁互补的脑电与语音融合用于情绪识别

Differential Attention Unlocks Complementary EEG and Speech Fusion for Emotion Recognition

Johns Hopkins University（约翰霍普金斯大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）

针对多模态情绪识别中脑电噪声破坏融合的问题，提出EmoSpeechBrain框架，利用差分注意力消除脑电噪声并结合门控适配器融合脑电与语音，在PME4和EAV数据集上显著提升准确率。

2026-09-28cs.LGeess.SP

EEGMatch：面向半监督EEG跨被试情绪识别的带不完整标签学习

EEGMatch: Learning with Incomplete Labels for Semi-Supervised EEG-based Cross-Subject Emotion Recognition

Shenzhen University（深圳大学）；Guangdong Provincial Key Laboratory of Biomedical Measurements and Ultrasound Imaging（广东省生物医学测量与超声成像重点实验室）；City University of Hong Kong（香港城市大学）；Hong Kong Center for Cerebro-Cardiovascular Health Engineering（香港心脑血管健康工程中心）

针对EEG情绪识别中标签稀缺问题，提出半监督框架EEGMatch，结合EEG-Mixup数据增强、两步成对学习和多域自适应，在SEED和SEED-IV上取得优于现有方法的效果。

2024-08-30cs.HCcs.LGeess.SP

通过深度学习进行EEG情绪识别

EEG Emotion Recognition Through Deep Learning

The American College of Greece（希腊美国学院）

本文提出了一种基于CNN-Transformer的EEG情绪识别模型，实现91%的准确率，通过减少EEG电极需求，推动低成本消费级设备的应用，为情绪监测和心理健康干预提供新途径。

2025-11-19cs.LGeess.SP

融合时频和空间表征的情绪识别方法

Improving EEG-based Emotion Recognition by Fusing Time-frequency And Spatial Representations

Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司）

使用深度学习方法对脑电信号进行分类，可以准确识别人的情绪。然而，现有的研究很少考虑在另一个域的表示，在时间-频率域的特征选择的信息的应用。提出了一种基于跨域特征融合方法的脑电信号分类网络，利用多域注意机制，使网络更加集中于与大脑活动和思维变化最相关的特征。此外，我们还提出了一种两步融合的方法，并将这些方法应用到脑电情感识别网络中。实验结果表明，我们提出的网络，它结合了在时间-频率域和空间域的多种表示，在公共数据集上优于以前的方法，并达到目前最先进的。

2023-03-14cs.AIcs.LGeess.SP

一种用于基于EEG的情绪识别的监督信息增强多粒度对比学习框架

A Supervised Information Enhanced Multi-Granularity Contrastive Learning Framework for EEG Based Emotion Recognition

Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center (National Supercomputer Center in Jinan), Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院）山东省计算中心（国家超级计算济南中心）算力网络与信息安全教育部重点实验室）；Shandong Provincial Key Laboratory of Computer Networks, Shandong Fundamental Research Center for Computer Science（山东省计算机网络重点实验室、山东省计算机科学基础研究中心）；Institute of Engineering Medicine, Beijing Institute of Technology（北京理工大学医学工程学院）

本研究提出用于EEG情绪识别的监督信息增强多粒度对比学习框架SICLEER，结合自监督对比损失与监督分类损失优化表征，在SEED数据集上准确率优于现有方法，并验证了额中、颞脑区EEG的重要性。

2024-05-12cs.AIcs.LGeess.SP

MS-MDA：跨学科、跨会话的多尺度边缘分布自适应EEG情绪识别

MS-MDA: Multisource Marginal Distribution Adaptation for Cross-subject and Cross-session EEG Emotion Recognition

HwaMei Hospital, University of Chinese Academy of Sciences（中国科学院大学华美医院）；Ningbo Institute of Life and Health Industry, University of Chinese Academy of Sciences（中国科学院大学宁波生命与健康产业研究院）；Anhui University（安徽大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）

作为精神疾病诊断和康复的重要手段，基于脑电的情绪识别以其高精度和高可靠性而取得了重大进展。然而，实用性的一个障碍在于主题和会议之间的可变性。虽然已有一些研究采用领域自适应（DA）方法来解决这一问题，但大多数研究都将来自不同受试者和会话的多个EEG数据一起作为单个源域进行传输，这要么不能满足领域自适应关于源具有一定边缘分布的假设，要么增加了自适应的难度。因此，我们提出了多源边缘分布自适应（MS-MDA）的EEG情感识别，它同时考虑域不变和域特定的功能。首先，假设不同的脑电数据具有相同的低层特征，然后对多个脑电数据源域构造独立的分支，采用一对一的领域自适应方法，提取特定领域的特征。最后，通过多个分支进行推理。我们评估我们的方法种子和种子-IV识别三种和四种情绪，分别。实验结果表明，MS-MDA优于比较方法和国家的最先进的模型在跨会话和跨学科的传输场景在我们的设置。https://github.com/VoiceBeer/MS-MDA上的代码。

2021-07-16cs.AIcs.LG

通过学习连接结构实现基于脑电的情感视频分类

EEG-based Emotional Video Classification via Learning Connectivity Structure

School of Integrated Technology, Yonsei University（延世大学综合技术学院）

脑电（EEG）是一种有效的方法，隐式监测用户的感知状态，在多媒体消费。基于EEG的监测的实际使用的主要挑战之一是在EEG分类中实现令人满意的准确度水平。不同脑区之间的连通性是脑电信号分类的重要特征。然而，如何定义给定任务的连接结构仍然是一个悬而未决的问题，因为没有关于连接结构应该如何以最大限度地提高分类性能的基本事实。本文提出了一种端到端的神经网络模型用于基于EEG的情感视频分类，该模型可以直接从一组原始EEG信号中提取适当的多层图结构和信号特征，并使用它们进行分类。实验结果表明，我们的方法相比，现有的方法，手动定义的连接结构和信号特征的使用，产生更好的性能。此外，我们表明，图结构提取过程是可靠的一致性方面，学习的图结构有很大的意义的观点发生在大脑中的情感感知。

2021-12-06cs.LGeess.SPstat.ML

用于EEG情绪识别的自适应渐进式注意力图神经网络

Adaptive Progressive Attention Graph Neural Network for EEG Emotion Recognition

Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education（教育部智能感知与图像理解重点实验室）；School of Artificial Intelligence（人工智能学院）；Xidian University（西安电子科技大学）

提出自适应渐进式注意力图神经网络（APAGNN），通过三个专门专家逐步分析大脑拓扑结构并结合权重生成器整合输出，在多个数据集上提升了EEG情绪识别性能。

2025-04-29cs.LGeess.SP

GANSER：一种用于脑电情感识别的自监督数据增强框架

GANSER: A Self-supervised Data Augmentation Framework for EEG-based Emotion Recognition

College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院）；Department of Computing, The Hong Kong Polytechnic University（香港理工大学电子计算学系）

基于脑电（EEG）的情感计算中的数据稀缺问题导致难以使用机器学习算法特别是深度学习模型来构建具有高精度和稳定性的有效模型。数据增强最近已经为深度学习模型实现了相当大的性能改进：提高了准确性、稳定性并减少了过度拟合。在本文中，我们提出了一种新的数据增强框架，即基于生成对抗网络的自监督数据增强（GANSER）。作为第一个将对抗训练与自监督学习相结合用于基于EEG的情感识别的框架，所提出的框架可以生成高质量和高多样性的模拟EEG样本。特别是，我们利用对抗训练来学习EEG生成器，并迫使生成的EEG信号近似真实样本的分布，确保增强样本的质量。变换函数被用来屏蔽部分EEG信号，并迫使发生器基于剩余部分来合成潜在的EEG信号，以产生各种各样的样本。在转换过程中的掩蔽可能性被引入作为先验知识，以指导提取可区分的特征的模拟EEG信号和推广的分类器的扩增的样本空间。最后，大量的实验表明，我们提出的方法可以帮助情感识别的性能增益，并取得了最先进的结果。

2021-09-08cs.AIcs.HCcs.LG

基于EEG的情绪识别研究进展

EEG based Emotion Recognition: A Tutorial and Review

Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））；Zhengzhou University of Light Industry（郑州轻工业大学）；Nanjing University（南京大学）；Aalto University（阿尔托大学）；Beijing Institute of Technology（北京理工大学）

通过分析脑电信号的情感识别技术是目前人工智能领域的一个重要概念，在情感保健、人机交互、多媒体内容推荐等方面具有巨大的潜力。虽然已经有一些工作致力于回顾基于脑电信号的情感识别，但这些评论的内容需要更新。此外，这些作品要么内容零散，要么只关注该领域采用的具体技术，而忽视了对整个技术路线的整体视角。因此，在本文中，我们从研究者的角度进行回顾，试图在这个话题上迈出第一步。本文回顾了近年来基于脑电信号的情绪识别研究的代表性成果，并提供了一个指导研究者从头开始的教程。介绍了基于脑电信号的情绪识别在心理和生理层面上的科学依据。此外，我们将这些评论的作品分为不同的技术路线，并说明了理论基础和研究动机，这将有助于读者更好地理解为什么这些技术的研究和使用。最后，本文还讨论了现有的挑战和未来的研究，这将指导研究人员确定潜在的未来研究方向。

2022-03-16cs.AIcs.LGeess.SP

解码人类情感：使用 LSTM 网络分析多通道 EEG 数据

Decoding Human Emotions: Analyzing Multi-Channel EEG Data using LSTM Networks

PES University, Bengaluru, India（班加罗尔印度PES大学）

本研究将 LSTM 网络应用于 DEAP 数据集的多通道 EEG 信号分析，以提升效价、唤醒度等情感状态分类的准确率，在各项指标上均取得约 90% 的准确率，显著提升了情感识别能力。

2024-08-19cs.AIcs.HCcs.LG

基于EEG信号的机器学习情感识别

Emotion Recognition with Machine Learning Using EEG Signals

Texas Tech University（德克萨斯理工大学）；University of Tabriz（大不里士大学）；Iran University of Medical Sciences（伊朗医科大学）

在本研究中，我们利用脑电讯号，发展出一个以情绪/唤醒模式为基础的情绪辨识系统。利用离散小波变换（DWT）将脑电信号分解为γ、β、α和θ频段，并从每个频段提取谱特征。主成分分析（PCA）被应用到提取的特征，通过保持相同的维数，作为一种变换，使特征互不相关。采用支持向量机、K-近邻法和人工神经网络对情绪状态进行分类。交叉验证的SVM与径向基函数（RBF）内核使用提取的10个EEG通道的特征，执行与91.3%的准确性唤醒和91.1%的准确性效价，都在β频段。我们的方法表现出更好的性能相比，现有的算法应用于“DEAP”数据集。

2019-06-01cs.HCcs.LGstat.ML

一种用于脑电图情绪识别的具有图平滑信号的混合端到端时空注意力神经网络

A Hybrid End-to-End Spatio-Temporal Attention Neural Network with Graph-Smooth Signals for EEG Emotion Recognition

University of Rochester（罗切斯特大学）；University of Eastern Finland（东芬兰大学）

本文提出一种混合端到端时空注意力神经网络，结合图信号平滑预处理，在DEAP、DREAMER和EEWD数据集上实现了优于现有方法的EEG情绪识别性能，并验证了其跨模态迁移学习能力。

2023-07-06cs.LGeess.SP

使用迁移学习从 EEG 中检测情绪

Emotion Detection from EEG using Transfer Learning

College of Engineering Trivandrum（特里凡得琅工程学院）

本文提出以 Resnet50 迁移学习结合 MPC、MSC 与 DE 构成的图像矩阵特征，在 SEED EEG 上实现受试者相关 93.1%、受试者无关 71.6% 的情绪三分类。

2023-06-09cs.LGeess.SP

局部-全局特征融合用于受试者无关的EEG情绪识别

Local-Global Feature Fusion for Subject-Independent EEG Emotion Recognition

Computer Science and Technology（计算机科学与技术）；Beijing Jiaotong University（北京交通大学）；Applied Computer Science（应用计算机科学）；The University of Winnipeg（温尼伯大学）

本文提出局部-全局特征融合框架，通过双分支Transformer提升EEG情绪识别的跨受试者泛化能力，实现7类情绪识别约40%的准确率。

2026-01-13cs.AIcs.LG