2020年5月27日，在潘家辉副教授的指导下，李自娜在SCI学术期刊《Sensors》（2019年影响因子3.031，中科院二区）上发表论文《Enhancing BCI-Based Emotion Recognition Using an Improved Particle Swarm Optimization for Feature Selection》，该论文主要研究基于脑电图的情绪识别。论文作者为李自娜、邱丽娜、李瑞新、何志鹏、梁艳、王斐 和 潘家辉（通讯作者）。

 情绪识别在商业、医学、教育、人机交互等领域具有很高的应用价值，已成为研究领域的热点。近年来，脑电图在脑机接口中得到了广泛的应用。基于脑电图的情绪识别研究，对改善情绪脑机接口的用户体验和应用性能具有重要意义。然而，目前基于脑电图的情绪识别方法对情绪分类的准确率较低，实时应用少。为了解决这些问题，该论文提出了一种改进的基于脑电信号的特征选择算法来识别受试者的情绪状态，并结合这种特征选择方法设计了一个在线情绪识别脑机接口系统。具体来说，首先提取来自时域、频域和时频域等7种常用的不同维度特征。在此基础上，提出了一种改进的粒子群优化算法(MLDW-PSO)，该算法具有多阶段线性递减惯性权重，可以很容易地细化减少惯性权重的过程。最后利用支持向量机分类器对情绪类型进行分类。该算法首先在标准数据集DEAP数据集上进行四分类的情绪识别实验，取得的平均准确率为76.67%。与最新的方法相比，论文提出的MLDW-PSO特征选择方法显著提高了基于脑电图的情绪识别的准确率。团队进一步开发了一个中文视频诱发的在线两类情绪识别系统，该系统在10名健康受试者中达到了89.50%的平均准确率，进一步验证了本文提出的MLDW-PSO特征选择方法的有效性。

附：论文《Enhancing BCI-Based Emotion Recognition Using an Improved Particle Swarm Optimization for Feature Selection》的下载地址如下：

（1）https://www.mdpi.com/1424-8220/20/11/3028/