2022年，11月11月10日，在第十九届PRICAI会议上，安徽大学的胡世昂老师在大会上作“重新思考系统研究范式：脑电情绪识别的渐进式总结”的主题报告。

        报告开始，胡世昂老师首先介绍了报告的主要内容，分别是EEG情绪识别的系统研究范式、包括实验和数据集以及模型和特征的进展性总结、关于对系统性范式的思考还有最后的结论。

        胡世昂老师首先介绍了目前引用量较高的EEG情绪识别论文，经过对比，提到目前引用量较高的论文分别为数据集、特征提取和新颖的深度学习模型论文。同时指出，EEG情绪识别的问题主要有三个方面：理论、数据和方法、以及应用。理论在于了解理论如情感是如何生成的和情绪相关信息有多少能够表征到EEG中。数据和方法在于开展标准的实验范式、处理信号得到稳定的特征和鲁棒的模型。应用在于要解决跨被试和跨场景的问题。

        随后介绍了常用的方法和范式，首先使用公开数据集或者是实验室采集的方法获取数据，然后使用深度学习或者机器学习的方法对数据提取特征进行处理，最后使用离散描述法、问卷法等方法描述情感分类。

        接着，他表示情感的产生在于大脑本身的状态以及通过器官获取的外部信息，因此大部分数据库都是使用观看电影、欣赏图片或者闻气味的方法刺激大脑产生情绪信号，并且和单一刺激相比，多模态刺激能够提高识别准确率。

        然后介绍了新的深度学习模型并进行实验对比，证明了自身模型的有效性以及多模态数据比单一视频刺激能够有更高的平均准确率。

        还介绍了和和情绪相关性较高的各类特征和跨频带融合的方法，最后实验结果表明频带融合相比单一频带能够取得更高的准确率。

        通过和其他算法对比，微状态特征融合方法有着更高的准确率、更小的方差、更少的资源利用以及更少的时间。

        关于目前有关情绪识别的问题，比如个体差异，需要考虑人格年龄性别，并且需要考虑静息电位和情绪激发的关系；同时还需要一个稳定基准的数据集能够帮助更好的实验对比，稳定良好的特征提取方法以及轻量级能够跨研究跨数据集的模型是情绪识别的关键。

        最后，胡世昂老师总结到：

1. 好的特征+轻量级模型结合也许会优于普通特征+复杂的模型；
2. 微状态融合模型在SEED数据集中表现良好；
3. 模型的性能依赖于数据库；
4. 加上气味信息的平均准确率高于只有视频本身的平均准确率，而在就单个准确率而言，将近一半加上气味信息的准确率低于只有视频本身的平均准确率，也就是特征融合并未提高单个准确率；
5. 特征的发现和选择是一个非常重要的研究方向；

        胡世昂，安徽大学计算机科学与技术学院，讲师，硕导，先后在古巴神经科学中心、瑞士日内瓦大学、加拿大麦吉尔大学、蒙特利尔学习与算法研究院（MILA）等多个世界知名研究机构交流学习。