寻找问题，尽量具体
3.25
下载了多个网站2022-2023年几乎全部的文章
网站包括如下
#### 总结一下整个的EEG情绪识别流程，方便后面针对论文去精确找到它们在哪一部分使用了什么方法
1. 输入脑波信号，一般使用的是64通道位
2. 脑波信号的处理，预处理等等，直接将脑波信号转化为矩阵（向量，张量，都可以），一般的方法是将每个通道的脑波都转化成一个矩阵，设置矩阵的大小为M/M\*N，一共有P个通道，那么我们就能得到张量X，它的形状是P\*M\*N
3. 有了这个张量之后，我们就可以使用一些网络或者其他特征提取方法，最后将X flatten之后，在进行一个softmax或者其他的操作，就能够得到一个最终的分类的结果，这里说的粗略点了，具体的也不是很懂，就这样结束！
3.25
### arXiv-2023-1.pdf
阅读时间：15：36-16：00（尽量）
>1. EEG采集过程非常容易受到人体其他生理信号和环境噪声的干扰。因此，需要预处理和特征提取来暴露EEG信号中包含的情绪信息。预处理包括去除噪声和干扰，例如眼电图伪影、EMG伪影、ECG伪影、皮肤电流和工频干扰。特征提取有助于揭示脑电信号中与情绪相关的信息，并有助于实现更准确的情绪识别。
>2. 原因所在：GCB-net[12]将GCN与广义学习系统相结合，在探索深层EEG信息的同时，在宽空间中搜索特征。RGNN[13]提出了两个正则化子来更好地处理跨受试者的脑电图变化。V-IAG[14]被提出用于处理EEG区域之间的个体差异和动态、不确定的关系。
**尽管之前的工作试图将GCN应用于EEG情绪识别，但仍有一些边界需要探索。**
##### 频域特征
>功率谱密度（PSD、差分熵（DE）、差分不对称性（DASM）和理性不对称性（RASM）等。
##### GCN(图神经网络)
>有时间再补充
看了一遍，只是知道他们使用了PGCN，但是没有找到在哪里使用了，解决了什么问题等等，，要再看一遍
好吧，这里先记录一下，先不看了，去看中文的先，英文的太乱了
### 知网2023-1.caj
name:基于多尺度卷积和混合注意力机制的情绪脑电识别研究
总结：在特征提取步骤中，对提取得到的功率谱密度采用多尺度卷积的方式对功率谱密度特征进行提取，为了更好地表征提取到的特征信息，引入混合注意力机制，由通道注意力和空间注意力两部分组成，使得网络能够有效对特征进行识别
>在预处理这里，没有过多的提到，默认使用了一些简单的方法，分类也没有做出多大改变，主要还是特征提取这里做出了一些改变。
### 知网2023-2.caj
name：少量通道脑电信号的实时情绪分类模型
自己做的数据集，根本不可信！
### arXiv-2023-2.pdf
name:用于脑电情绪识别的部分标签学习(PIL)
总的来说：在SEED数据集或者其他数据集上面，测试人员对于自己的结果的标签，除了一些标签，例如开心和伤心，这种比较明显的，会存在很多标签有一个错误或者偏差的判断，这篇论文使用了机器视觉中对于部分标签学习PIL这一方法，并且使用了六种方法，来对标签重新进行划分，或者说是重新来构建标签，修正标签，最终提高的识别。
### arXiv-2023.3.pdf
name:融合时频和空间表示改进基于EEG的情绪识别-2023.3月 最新论文
这篇论文这么说的：实验结果表明，我们提出的网络结合了时频域和空间域的多种表示，在公共数据集上优于以前的方法，达到了目前最先进的水平。
看完整个论文，发现这篇论文做的是一个二分类（这里不是很懂，论文中也没有提及）
解决的问题：正如上面图中所示，在预处理部分并没有创新，主要的创新是在特征提取方面
### 其他方法
### arXiv-2022-1.pdf
