本篇文章主要是在阅读了论文之后，自己做一个总结。

《Investigating Critical Frequency Bands and Channels for EEG-Based Emotion Recognition with Deep Neural Networks》

《研究基于脑电图的深度神经网络情感识别的关键频带和通道》

Abstract

• 为了调查研究关键频带和通道，文章介绍了“深度信念网络”（Deep Belief Networks, DBNs）的构建，将情感分成三类：积极、中性、消极。
• 15名受试者，进行两次实验，中间会间隔几天
• 利用 多通道脑电图数据提取的微分熵特征 训练DBNs，研究训练后的DBNs的权值
• 选择4、6、9和12通道的四个不同的配置文件，这四个通道的识别精度相对稳定，优于原来的62个通道
• 实验表明，与不同情绪相关的神经信号确实存在，它们在会话和个体之间具有共性
• 比较了深模型和浅模型的性能，DBN、SVM、LR和KNN的平均准确率分别为86.08%、83.99%、82.70%和72.60%

INTRODUCTION

• 建立情绪的计算模型很重要
• 作为新兴的社交媒体大数据，内容很难进行可靠的标注，尤其是情感因素，在不同的文化和语言背景下难以描述。因此，有必要建立一个情感模型来自动识别隐含的情感标签。情感计算(AC)领域希望通过开发识别和响应人类情感的计算系统，缩小高情感人类和有情感挑战的计算机之间的交流鸿沟。
• 多年来，仍有许多悬而未决的问题有待解决。深入了解不同情绪状态下的大脑反应，可以从根本上推进情绪识别的计算模型。
• 脑电图信号具有较低的信噪比(SNR)，在采集时经常与较大的噪声混合。更有挑战性的问题是，与图像或语音信号不同，脑电图信号是时间不对称和非平稳的。
• 传统的人工特征提取和特征选择是情感建模的关键，需要特定的领域知识。脑电信号分析中常用的特征选择方法有主成分分析(PCA)和Fisher投影法。一般来说，这些传统的特征选择方法的成本随所考虑的特征数量呈二次增长。更重要的是，这些方法不能保存原始的领域信息，如通道和频带，这是非常重要的了解大脑反应。
• 最近在机器学习社区中开发的深度学习技术允许自动的特征提取和特征选择，并且可以消除手工特征的限制。深度学习通过绕过特征选择阶段的计算成本，在训练分类模型的同时自动进行特征选择。
• 在过去的几年里，研究者们致力于用不同方法寻找基于脑电图的情感识别的关键频带和通道。
• Valenzi用了以下8个电极，（AF3,AF4,F3,F4,F7,F8,T7,T8）平均分类率为87.5%
• 然而，如何选择关键通道和频带，以及如何评价所选电极池，目前还没有得到充分的研究。
• 深层架构模型：深度自动编码器，卷积神经网络，深度信念网络。
• 提取有效的特征称为微分熵，从多通道脑电图数据，然后训练深信念网络微分熵特征作为输入。通过分析训练后的深度信念网络的权值分布，选择不同的频带和信道设置，比较不同特征子集的性能。

本文的主要贡献为：

• 首先，考虑到深度神经网络的特征学习和特征选择特性，将深度学习方法引入基于多通道脑电图数据的情绪识别中。
• 通过分析训练后的深度信念网络的权值分布，研究了不同的电极集缩小量，确定了比原全通道更优的电极位置，计算量更小，在实际应用中更具有可行性。结果表明，深度模型的性能优于浅层模型，如logistic回归和支持向量机。
• 实验结果还表明，从脑电图数据中提取的差分熵特征具有准确、稳定的情绪识别信息。我们发现，与积极、中性和消极情绪相关的神经信号在通道和频带中确实存在。

章节安排：

• 第二部分，我们简要介绍了利用脑电图进行情感识别的相关研究，以及对生理信号的深度学习方法的使用
• 第三部分，系统描述了用于特征提取和深度信念网络构建的信号分析方法和分类过程。
• 第四部分，给出了我们情感实验设置的动机和理论基础。详细介绍了我们所使用的所有材料和协议。
• 第五部分，给出了不同分类器的详细参数，并与其他浅层次模型进行了比较。然后根据训练后的深度神经网络得到的权值分布，研究了不同的电极集缩小量和与不同情绪相关的神经特征。
• 第六部分，探讨了情感识别研究中存在的问题。