百家爭鳴｜情感與情緒腦機接口（BCI）之辨：在線情感BCI何時真正落地并造福患者？

本文圍繞情感與情緒腦機接口（Brain–Computer Interface, BCI）的科學基礎及應用前景展開學術辨析，重點探討在線情感BCI在實際落地與造福患者中的可行性。文章首先界定情緒與情感的科學內(nèi)涵，闡明二者的聯(lián)系與區(qū)別。隨后分析多模態(tài)信號采集、情緒誘發(fā)范式及解碼算法的發(fā)展趨勢，進一步討論信號與標簽匹配、實時性與魯棒性矛盾，以及倫理與學術邊界等關鍵挑戰(zhàn)。最后對未來發(fā)展方向提出科學性反思，指出情緒的主觀性與識別的不穩(wěn)定性使得在線情感BCI的廣泛應用仍面臨重大科學理論與技術障礙，呼吁研究者以科學審慎態(tài)度推動技術發(fā)展。

01

引言

近年來，腦機接口（BCI）技術的發(fā)展逐漸突破傳統(tǒng)以運動控制與神經(jīng)康復為核心的應用邊界，拓展至更為復雜和微妙的心理過程研究。其中，情感與情緒的識別與調(diào)控成為一個新興而具有爭議的方向。情感或情緒BCI的核心目標在于通過對腦信號及相關生理信號的實時采集與解碼，推斷個體在特定時刻的情緒狀態(tài)，并進一步用于人機交互優(yōu)化、心理健康干預以及臨床輔助診療。然而，情感與情緒BCI的發(fā)展并非單純的技術擴展，而是涉及神經(jīng)科學、心理學、人工智能與倫理學等多個學科的交叉，其科學依據(jù)、技術可行性與社會價值均有待深入辨析。

圖片來源于網(wǎng)絡

在學術界，情緒BCI的提出源于對情緒神經(jīng)機制的探索。已有研究表明，情緒的發(fā)生依賴于多腦區(qū)在不同時間尺度上的動態(tài)協(xié)同，既包括杏仁核、前額葉皮層等在內(nèi)的核心情緒環(huán)路，也涉及與認知、注意和動機相關的更廣泛網(wǎng)絡[1]。然而，當前非侵入式腦成像技術如腦電圖（Electroencephalogram，EEG）、功能近紅外光譜成像（functional Near - Infrared Spectroscopy，fNIRS）在空間分辨率、信噪比以及跨時間的穩(wěn)定性方面存在天然局限，使得情緒狀態(tài)的可靠捕捉面臨重大挑戰(zhàn)。與此同時，情緒本身作為一種主觀體驗，具有高度的個體差異性與情境依賴性。相同的外部刺激可能在不同個體之間引發(fā)截然不同的情緒體驗，這一現(xiàn)象不僅使情緒的分類和標簽化存在根本不確定性，也導致跨被試與跨場景的情緒識別模型往往表現(xiàn)出顯著的退化[2,3]。

盡管如此，情感與情緒BCI的研究并非缺乏現(xiàn)實驅(qū)動力。一方面，全球范圍內(nèi)抑郁、焦慮等心理障礙的患病率持續(xù)上升，傳統(tǒng)診療手段依賴臨床訪談和問卷，往往缺乏連續(xù)性與客觀性。如果情緒BCI能夠提供更為精細的實時情緒監(jiān)測，將為心理健康管理和干預開辟新的途徑[4]。另一方面，在虛擬現(xiàn)實、智能交互和沉浸式計算場景中，理解并響應用戶情緒被認為是提升人機自然性與體驗質(zhì)量的關鍵步驟，情緒BCI的引入為構建“情感智能”的交互系統(tǒng)提供了新的可能性[5]。此外，從基礎科學角度看，情緒BCI也為探討情緒與認知、注意、動機等心理過程之間的關系提供了新的實證工具，從而推動認知神經(jīng)科學研究的縱深發(fā)展[6]。

同時，圍繞情緒BCI的科學性與應用價值，學界與產(chǎn)業(yè)界始終存在分歧。一方面，近年來大量研究不斷提出新的算法與方法，例如基于EEG頻譜特征的分類、融合多模態(tài)信號的解碼模型以及利用深度神經(jīng)網(wǎng)絡進行跨域適應，這些嘗試在一定程度上提升了情緒識別的精度與魯棒性[7]。另一方面，也有學者指出，情緒作為主觀體驗本身難以被穩(wěn)定地客觀化，其標簽體系的不確定性決定了情緒識別可能是一個永遠無法完全解決的悖論[8]。在此背景下，情緒BCI能否從實驗室的“概念驗證”真正走向臨床和產(chǎn)業(yè)落地，仍是一個需要面臨的核心問題。

基于此，本文擬圍繞情感與情緒概念的界定、情緒BCI的科學基礎、當前研究路徑與主要挑戰(zhàn)，以及未來應用前景與倫理考量展開分析與討論。通過對已有文獻的梳理與爭議焦點的辨析，本文旨在澄清情感與情緒BCI的科學定位，審慎評估其潛在價值，并為未來研究與應用提供理性而批判性的視角。

02

情感與情緒的科學定義與辨析

在探討情感與情緒腦機接口之前，明確情感與情緒的科學定義及其內(nèi)在聯(lián)系至關重要。盡管在日常語境中“情緒”和“情感”往往交替使用，但心理學與神經(jīng)科學研究中，兩者在時間尺度、穩(wěn)定性及功能作用上存在顯著差異。情緒通常被定義為對特定事件或刺激產(chǎn)生的短暫、主觀體驗狀態(tài)，伴隨生理反應、行為傾向及認知評價[1,2]。其主要特征包括短暫性、情境依賴性及高度主觀性。情緒狀態(tài)在秒級至分鐘級的時間尺度上迅速變化，個體對同一刺激可能出現(xiàn)不同甚至相反的情緒反應，這種動態(tài)特性體現(xiàn)了情緒對環(huán)境刺激的敏感性與適應性。同時，情緒雖然是內(nèi)在體驗，但通常伴隨可觀測的生理與行為指標，例如腦電活動、心率變異、皮膚電反應以及面部表情等，可作為研究與解碼的間接依據(jù)。

相較于情緒，情感則被視為一種相對穩(wěn)定的心理狀態(tài)或?qū)ψ陨砼c外界事件的總體評價傾向[9]。情感體現(xiàn)了個體長期的心理傾向和價值評價，不依賴于瞬時事件的直接刺激，具有更高的持久性和抽象性。它能夠調(diào)節(jié)認知偏好、決策模式以及行為風格，并為情緒波動提供基調(diào)。情感的測量通常依賴自評問卷或長期行為觀察，而非瞬時生理信號，這使其在時間上呈現(xiàn)出較強的穩(wěn)定性和跨情境一致性。情緒與情感的異同如表1所示。

表1 情緒與情感的異同

情緒與情感在心理結(jié)構上密切相關，前者可被理解為后者的瞬時表征或動態(tài)波動，而后者則為情緒提供背景和長期基調(diào)。短暫的情緒體驗累積可能影響個體的情感狀態(tài)，而穩(wěn)定的情感特質(zhì)又調(diào)節(jié)情緒發(fā)生的頻率、強度和持續(xù)時間[10]。例如，當個體在觸景傷情的瞬間產(chǎn)生悲傷情緒時，這一短暫體驗反映了情緒的動態(tài)性；而長時間的抑郁心境則體現(xiàn)了情感的穩(wěn)定性和整體傾向。情緒的變化性和主觀性也解釋了為何不同個體對相同刺激的反應存在顯著差異，同時為后續(xù)討論情緒識別悖論提供理論依據(jù)。

對情感與情緒的科學辨析有助于為腦機接口研究提供概念框架。在技術探索中，EEG、fNIRS及多模態(tài)生理信號所捕獲的“情緒狀態(tài)”應被理解為瞬時波動的生理表征，而非情感的完整長期心理傾向。認識到情緒的短暫性和個體差異性，有助于科學評估情緒識別方法的局限性，并為跨被試泛化能力、在線解碼精度以及臨床應用的可行性提供理論依據(jù)。這一辨析也為后續(xù)科學基礎、多模態(tài)探索及關鍵挑戰(zhàn)的討論奠定了概念基礎，使研究的邏輯更加嚴謹，術語使用更加統(tǒng)一。

03

科學基礎與多元探索

情感與情緒腦機接口的提出，首先依賴于腦信號獲取與模式識別技術的進展。自二十世紀末以來，非侵入式腦成像手段逐漸成為情緒研究的主要工具，其中以EEG和fNIRS最為常見。EEG能夠以毫秒級的時間分辨率捕捉大腦電活動，尤其在α、β和θ頻段中呈現(xiàn)與情緒狀態(tài)相關的特征模式[11]。例如，額葉α波不對稱性長期以來被視為積極與消極情緒加工的神經(jīng)標志之一[12]。fNIRS則能夠通過檢測皮層血氧濃度變化反映腦區(qū)的代謝活動，在研究情緒誘發(fā)的前額葉皮層反應方面展現(xiàn)出優(yōu)勢[13]。此外，心率變異性、皮膚電反應、眼動特征等外圍生理信號也常作為情緒識別的輔助輸入，與腦信號形成多模態(tài)融合的研究路徑。

在特征提取與建模方面，早期研究多依賴頻譜功率、事件相關電位（Event Related Potential，ERP）以及信號統(tǒng)計特征，通過傳統(tǒng)的機器學習算法如支持向量機、線性判別分析等進行分類。然而，情緒的高維度與復雜性使得淺層特征難以充分表征其動態(tài)過程。近年來，深度學習方法逐漸引入情緒識別研究，卷積神經(jīng)網(wǎng)絡被用于自動提取EEG空間模式，循環(huán)神經(jīng)網(wǎng)絡和長短時記憶網(wǎng)絡則用于建模時間序列依賴關系。這些方法在跨被試的泛化能力和復雜模式捕捉方面取得了一定成效[14,15]。與此同時，遷移學習與域自適應方法被廣泛探索，以緩解情緒識別中因個體差異和實驗條件變化帶來的性能下降問題[16]。

除了單一信號的利用，多模態(tài)情緒BCI逐漸成為重要的發(fā)展方向。通過融合EEG與fNIRS，研究者能夠同時捕捉快速的電活動與較慢的血流動力學反應，從而獲得更全面的情緒表征[17]。進一步地，結(jié)合面部表情、語音、語義內(nèi)容以及生理信號的多源信息，正在推動情緒識別從單一模態(tài)走向跨模態(tài)整合。這種“神經(jīng)-行為-生理”融合模式不僅提高了識別的魯棒性，也更符合情緒在真實場景中的多維特征。

情緒誘發(fā)范式的選擇直接關系到BCI研究的有效性。傳統(tǒng)實驗多采用國際情緒圖片庫、國際情緒音樂庫或影片片段作為標準化刺激，以保證實驗可比性。然而，標準化刺激往往與個體真實情緒體驗存在差距，導致實驗內(nèi)外一致性不足。近年來，虛擬現(xiàn)實和增強現(xiàn)實環(huán)境被引入情緒BCI研究，以提供更沉浸和自然的情緒誘發(fā)條件。這一趨勢不僅提升了情緒誘發(fā)的生態(tài)效度，也使得BCI實驗更接近未來實際應用場景[18]。

總體而言，情緒BCI的研究正在多路徑并行發(fā)展。一方面，技術探索涵蓋信號采集、特征提取、模型構建和多模態(tài)融合等多個層面，不斷推動識別精度與穩(wěn)定性的提升；另一方面，實驗范式與應用場景的擴展則使研究逐漸走向復雜化和生態(tài)化。然而，盡管已有成果豐富，情緒BCI的基礎仍然受到信號質(zhì)量、個體差異與標簽不確定性的制約。正是在這種“技術突破”與“理論困境”并存的背景下，情緒BCI的科學價值與應用前景顯得尤為值得深入辨析。

04

關鍵挑戰(zhàn)與學術辨析

盡管情感與情緒腦機接口在實驗室研究和理論探討中已經(jīng)積累了初步成果，但其走向真實應用仍面臨著多重關鍵挑戰(zhàn)。這些挑戰(zhàn)不僅涉及技術層面，也觸及理論建構與學科邊界的學術爭議。

首先，情感的神經(jīng)表征問題仍存在根本性不確定性[19]。不同于運動意圖或感知信號相對明確的皮層定位，情緒加工涉及前額葉、邊緣系統(tǒng)、島葉、扣帶回等多區(qū)域的動態(tài)協(xié)同活動，其時空模式高度復雜且跨個體差異顯著。這一特征導致情感信號的可分辨性遠低于傳統(tǒng)運動想象或穩(wěn)態(tài)視覺誘發(fā)電位等經(jīng)典BCI范式，使得情感BCI的解碼模型在跨被試、跨場景時普遍面臨泛化性不足的難題[20]。

其次，信號與標簽的匹配存在天然困境。情緒體驗主觀性強，缺乏穩(wěn)定的外部“金標準”，常需借助自評量表、生理信號或行為線索進行推斷[21,22]。然而，這些間接指標往往受環(huán)境噪聲、個體心理狀態(tài)及社會期許效應影響，導致數(shù)據(jù)標注存在系統(tǒng)偏差，從而影響模型的可靠性和臨床可解釋性。

第三，實時性與魯棒性之間的矛盾有待解決。在線情感BCI若要真正應用于患者康復、精神疾病干預或輔助交流場景，必須在短時間窗口內(nèi)完成情緒狀態(tài)的捕捉與反饋[23,24]。然而，受限于情緒信號的弱穩(wěn)態(tài)特征與低信噪比，當前系統(tǒng)往往依賴長時間平均或復雜深度網(wǎng)絡進行推理，犧牲了實時性與能耗效率。如何在“實時—魯棒”之間取得平衡，成為落地應用的關鍵瓶頸。

第四，倫理與學術邊界的辨析不可忽視。情感BCI被寄予厚望，常被商業(yè)化敘事包裝為“讀懂人心”的技術。然而，學術界普遍強調(diào)，當前研究僅能在特定條件下對有限的情感維度進行概率性推斷，遠未達到直接讀取或操控人類情緒的程度[25]。若過度渲染其能力，不僅可能造成社會公眾的誤解，也會引發(fā)隱私、知情同意與心理操控的倫理風險。學術辨析的核心，正是在于厘清技術現(xiàn)狀與未來愿景的邊界，防止“技術幻覺”取代科學審慎。

情感與情緒BCI的發(fā)展仍處于探索性階段，學術界的分歧集中于情感信號可解碼性的理論合理性、跨場景泛化的可行性以及倫理規(guī)范的邊界設定。只有在上述問題獲得系統(tǒng)性突破之后，在線情感BCI才可能真正走出實驗室，進入臨床與應用場景，發(fā)揮實質(zhì)性的患者獲益價值。

05

臨床與應用前景

情感與情緒腦機接口的臨床與應用前景一直是學術界與產(chǎn)業(yè)界關注的焦點，但其實際落地仍存在顯著的不確定性。從心理健康干預的角度來看，情緒BCI有潛力為抑郁、焦慮及情緒調(diào)節(jié)障礙患者提供連續(xù)、實時的情緒監(jiān)測工具。這類系統(tǒng)通過捕捉腦電信號、心率變異性或皮膚電反應等生理指標，能夠輔助評估患者的情緒波動，為個體化干預提供參考[26]。然而，由于情緒的高度主觀性及個體差異，這些監(jiān)測數(shù)據(jù)難以形成穩(wěn)定且通用的量化標準，導致目前的情緒BCI在臨床中仍主要停留在概念驗證階段[27]。

在康復醫(yī)學領域，情緒BCI被探索用于增強患者的動機和參與度。例如，結(jié)合虛擬現(xiàn)實的康復訓練中，系統(tǒng)能夠根據(jù)患者的情緒狀態(tài)調(diào)整任務難度或反饋策略，從而提升訓練的沉浸感和依從性[28]。盡管這一方法在短期內(nèi)能夠改善參與體驗，但其對長期功能恢復效果的影響仍缺乏大樣本、長期隨訪的實證數(shù)據(jù)，因此尚難以評價其臨床價值的可靠性。

情緒BCI在輔助交流與人機交互中的應用也展現(xiàn)出潛在前景。對于失語癥或重度運動障礙患者，情緒BCI可作為一種輔助通道，向外部系統(tǒng)傳遞用戶情緒或心理狀態(tài)，從而實現(xiàn)更自然的人機溝通。然而，由于系統(tǒng)在在線解碼中面臨噪聲干擾、信號漂移以及個體差異等問題，其準確性和穩(wěn)定性仍難以達到可替代傳統(tǒng)交流手段的水平[29]。

此外，情緒BCI的產(chǎn)業(yè)化轉(zhuǎn)化面臨時間尺度和技術成熟度的雙重限制。一方面，現(xiàn)有非侵入式腦信號采集設備在便攜性、舒適度和長期使用適應性上尚存在不足，難以滿足臨床或日常應用的實際需求。另一方面，情緒識別算法在跨場景和跨個體泛化方面仍存在顯著退化，這意味著在線系統(tǒng)要實現(xiàn)高精度實時解碼仍需解決算法魯棒性和個性化建模問題。因此，當前的情緒BCI研究大多以離線數(shù)據(jù)分析和實驗室條件下的驗證為主，距離真正的臨床或商業(yè)化應用仍有較長路徑。

綜上所述，情感與情緒BCI在臨床與應用場景中具有潛在價值，但其落地應用受限于信號復雜性、情緒的主觀性與標簽不穩(wěn)定性、算法泛化能力及設備適配性等多重因素。在可預見的中期內(nèi)，這類系統(tǒng)更可能作為輔助研究工具或概念驗證平臺存在，而非成熟的臨床干預手段或廣泛部署的輔助設備。因此，對于在線情緒BCI何時能夠真正造福患者，需要在科學理性和應用謹慎之間保持平衡，并在未來研究中重點解決信號可靠性、模型可解釋性以及倫理與隱私保護等核心問題。

06

未來發(fā)展方向與科學性討論

情感與情緒腦機接口的發(fā)展前景雖受到廣泛關注，但其科學基礎與應用潛力存在根本性不確定性。從理論層面看，情緒識別確實存在一定程度的悖論。情緒作為一種高度主觀的體驗，隨時間、情境及個體差異不斷變化，其內(nèi)在狀態(tài)難以被穩(wěn)定地標定或量化[30]。現(xiàn)有腦信號分析與分類方法試圖以客觀數(shù)據(jù)映射這些主觀體驗，但由于情緒本身缺乏客觀的恒定標簽，這種映射往往是概率性、條件性的而非絕對可靠的。換言之，任何聲稱可“準確識別”個體情緒的系統(tǒng)，都只能在特定實驗條件和數(shù)據(jù)集上成立，無法完全泛化至真實世界的動態(tài)情緒狀態(tài)[31]。這種理論上的不確定性，是情緒BCI領域必須直面的核心科學問題。

從技術與應用層面分析，在線情緒BCI的落地面臨多重挑戰(zhàn)。即便在深度學習與多模態(tài)融合等技術手段支持下，實時情緒解碼仍受限于信號噪聲、跨被試泛化性不足以及系統(tǒng)響應延遲等問題[26]。同時，由于情緒隨個體心理狀態(tài)和外部環(huán)境不斷變化，在線解碼系統(tǒng)需要具備極高的適應性和動態(tài)調(diào)節(jié)能力，這在現(xiàn)有技術條件下仍難以實現(xiàn)。因此，當前的在線情緒BCI更多呈現(xiàn)為實驗室條件下的概念驗證，距離臨床應用或商業(yè)化部署尚有較長距離[27]。

因此針對情緒BCI需要明確兩個基本原則。其一，情緒BCI的研究應以探索個體情緒的神經(jīng)機制及模式識別方法為目標，而非過度夸大其實用性或聲稱“讀心”能力。其二，任何潛在應用必須充分考慮倫理、隱私及個體心理安全，避免因技術誤讀或數(shù)據(jù)濫用對用戶產(chǎn)生負面影響。只有在充分理解情緒的主觀性與不確定性的前提下，研究才能保持科學性與社會責任感。

總體而言，情緒識別作為科學研究工具仍具有重要價值，但將其轉(zhuǎn)化為成熟的在線應用系統(tǒng)并造福患者，需要跨越理論、技術和倫理的多重障礙。當前，情緒BCI更多應被視作概念驗證與基礎研究平臺，而非立即可落地的臨床或消費級應用。未來的研究應在保持科學嚴謹性的同時，注重方法論創(chuàng)新和實際可操作性，為該領域的發(fā)展提供穩(wěn)健的理論和科學基礎。

參考文獻

[1] Lindquist K A , Wager T D , Kober H ,et al. The brain basis of emotion: a meta-analytic review.[J]. Behavioral & Brain Sciences, 2012, 35(3):121-143.DOI:10.1017/S0140525X11000446.

[2] Barrett L F. The theory of constructed emotion: an active inference account of interoception and categorization[J]. Social Cognitive and Affective Neuroscience, 2017, 12(11).DOI:10.1093/scan/nsx060.

[3] Li X , Song D , Zhang P ,et al. Exploring EEG Features in Cross-Subject Emotion Recognition[J]. Frontiers in Neuroscience, 2018, 12(1). DOI:10.3389/fnins.2018.00162.

[4] Thomas, Sandra P .World Health Assembly Adopts Comprehensive Mental Health Action Plan for 2013–2020[J].Issues in Mental Health Nursing, 2013, 34(10): 723-724.DOI:10.3109/01612840.2013.831260.

[5] Calvo R A , D'Mello S . Affect Detection: An Interdisciplinary Review of Models, Methods, and Their Applications[J]. IEEE Transactions on Affective Computing, 2010, 1(1):18-37.DOI:10.1109/T-AFFC.2010.1.

[6] Kragel P A , Labar K S . Decoding the Nature of Emotion in the Brain[J]. Trends in Cognitive Sciences, 2016, 20(6):444-455.DOI:10.1016/j.tics.2016.03.011.

[7] Imtiaz M N , Khan N . Enhanced Cross-Dataset Electroencephalogram-based Emotion Recognition using Unsupervised Domain Adaptation[J]. 2024.DOI:10.1016/j.compbiomed.2024.109394.

[8] Joseph, LeDoux. Rethinking the Emotional Brain[J]. Neuron, 2012. DOI:10.1016/j.neuron.2012.02.018.

[9] 權學良,曾志剛,蔣建華,等.基于生理信號的情感計算研究綜述[J].自動化學報, 2021, 47(8):16.DOI:10.16383/j.aas.c200783.

[10]Gudikandula N , Janapati R , Sengupta R ,et al. Brain computer interface based emotion recognition with error analysis and challenges: an interdisciplinary review[J].Discover Applied Sciences, 2025, 7(8).DOI:10.1007/s42452-025-06692-0.

[11]Jenke R , Peer A , Buss M .Feature Extraction and Selection for Emotion Recognition from EEG[J]. IEEE Transactions on Affective Computing, 2017, 5(3):327-339.DOI:10.1109/TAFFC.2014.2339834.

[12]Davidson R J . Anterior electrophysiological asymmetries, emotion, and depression: Conceptual and methodological conundrums[J].Blackwell Publishing, 1998, 35(5):607-614.DOI:10.1017/s0048577298000134.

[13]Tai K , Chau T . Single-trial classification of NIRS signals during emotional induction tasks: towards a corporeal machine interface[J].Journal of NeuroEngineering and Rehabilitation,6,1(2009-11-09), 2009, 6(1):39-39.DOI:10.1186/1743-0003-6-39.

[14]Li X , Song D , Zhang P ,et al. Emotion recognition from multi-channel EEG data through Convolutional Recurrent Neural Network[J].IEEE, 2017.DOI:10.1109/BIBM.2016.7822545.

[15]Apicella A , Arpaia P , D'Errico G ,et al. Toward cross-subject and cross-session generalization in EEG-based emotion recognition: Systematic review, taxonomy, and methods[J]. 2022.DOI:10.1016/j.neucom.2024.128354.

[16]Zheng W L , Lu B L . Investigating Critical Frequency Bands and Channels for EEG-Based Emotion Recognition with Deep Neural Networks[J].IEEE Transactions on Autonomous Mental Development, 2015, 7(3):1-1.DOI:10.1109/TAMD.2015.2431497.

[17]Hou M , Zhang X , Chen G ,et al. Emotion Recognition Based on a EEG–fNIRS Hybrid Brain Network in the Source Space[J].Brain Sciences (2076-3425), 2024, 14(12).DOI:10.3390/brainsci14121166.

[18]Alonso-Valerdi L M , Ramirez-Lechuga S , Ibarra-Zarate D I . Audiovisual virtual reality for emotion induction: a dataset of physiological responses[J].Scientific Data, 2025, 12(1). DOI:10.1038/s41597-025-05691-5.

[19]Lu W , Liu H , Ma H ,et al. Hybrid transfer learning strategy for cross-subject EEG emotion recognition[J].Frontiers in Human Neuroscience, 2023. DOI:10.3389/fnhum.2023.1280241.

[20]Apicella A , Arpaia P , D'Errico G ,et al. Toward cross-subject and cross-session generalization in EEG-based emotion recognition: Systematic review, taxonomy, and methods[J].Neurocomputing, 2024, 604(000). DOI:10.1016/j.neucom.2024.128354.

[21]Gao N , Rahaman M S , Shao W ,et al. Investigating the Reliability of Self-report Survey in the Wild: The Quest for Ground Truth[J]. 2021.DOI:10.48550/arXiv.2107.00389.

[22]Singh P , Kumar M , Singh P .Can we say a cat is a cat? Understanding the challenges in annotating physiological signal-based emotion data[J]. 2024.

[23]Kanna R K , Shoran P , Yadav M ,et al. Improving EEG based brain computer interface emotion detection with EKO ALSTM model[J].Scientific Reports, 2025, 15(1).DOI:10.1038/s41598-025-07438-z.

[24]Yu X , Li Z , Zang Z ,et al. Real-Time EEG-Based Emotion Recognition[J].Sensors, 2023, 23(18):12.DOI:10.3390/s23187853.

[25]Gordon E C , Seth A K .Ethical considerations for the use of brain–computer interfaces for cognitive enhancement[J]. PLoS Biology, 2024, 22(10).DOI:10.1371/journal.pbio.3002899.

[26]Li X , Zhang Y , Tiwari P ,et al. EEG based Emotion Recognition: A Tutorial and Review[J]. 2022.DOI:10.48550/arXiv.2203.11279.

[27]Wang Y , Song W , Tao W ,et al. A Systematic Review on Affective Computing: Emotion Models, Databases, and Recent Advances[J]. 2022.DOI:10.48550/arXiv.2203.06935.

[28] Vourvopoulos A, Pardo O M, Lefebvre S, et al. Effects of a Brain-Computer Interface With Virtual Reality (VR) Neurofeedback: A Pilot Study in Chronic Stroke Patients[J]. Frontiers in Human Neuroscience, 2019, 13 (210): 1-21. DOI:10.3389/fnhum.2019.00210.

[29] Chandler J A , Loos K I V D , Boehnke S ,et al. Brain Computer Interfaces and Communication Disabilities: Ethical, Legal, and Social Aspects of Decoding Speech From the Brain[J].Frontiers in human neuroscience, 2022, 16:841035.DOI:10.3389/fnhum.2022.841035.

[30]Hall L .How Emotions Are Made: The Secret Life of the Brain[M]. 2017.

[31]Liang Z , Zhou R , Zhang L ,et al. EEG FuseNet: Hybrid Unsupervised Deep Feature Characterization and Fusion for High-Dimensional EEG with An Application to Emotion Recognition[J]. 2021.DOI:10.48550/arXiv.2102.03777.

僅用于學術分享，若侵權請留言，即時刪侵！

歡迎加入腦機接口AI星球

獲取更多腦機接口+AI等領域的知識和資源。

歡迎來稿

1.歡迎來稿。投稿咨詢，請聯(lián)系微信：RoseBCI

點擊投稿：

2.加入社區(qū)成為兼職創(chuàng)作者，請聯(lián)系微信：RoseBCI

一鍵三連「分享」、「點贊」和「在看」

不錯過每一條腦機前沿進展