专题丨基于脑电图的情绪识别机器学习方法比较分析

基于脑电图的情绪识别机器学习方法比较分析

李志芳¹  成苈委²  周洁²

（1.电信科学技术研究院,北京 100191；

2.中国信息通信研究院知识产权与创新发展中心,北京 100191）

摘要：随着脑机接口技术的发展，基于脑电图（Electroencephalogram，EEG）信号的情绪识别成为研究热点。对比了支持向量机（Support Vector Machine，SVM）不同核函数在EEG情绪识别任务中的性能，并与决策树、随机森林和神经网络等常见机器学习方法进行了比较。基于DEAP数据集，通过对不同核函数（线性核、径向基核和多项式核）与其他模型的性能进行分析，发现随机森林在准确率和AUC值方面表现最佳。线性核SVM适用于数据线性可分的情况，而径向基核和多项式核的效果相对较差。此外，还探讨了神经网络的表现，并提出了优化模型和核函数选择的未来研究方向，旨在为基于EEG的情绪识别提供有价值的见解，并推动脑机接口技术的进步。

关键词：脑电图；情绪识别；支持向量机；核函数；机器学习

0  引言

随着脑机接口（Brain Computer Interface，BCI）^[1]技术的不断发展，基于脑电图（Electroencephalogram，EEG）信号的情绪识别已经成为一个重要的研究方向。情绪作为个体心理状态的核心反映，不仅影响个体决策、行为和社会交往，也与心理健康密切相关。传统的情绪识别方法^[2]主要依赖于面部表情、语音和生理信号等，受环境、文化、语言等因素影响较大，难以实时反映复杂的情绪变化。相比之下，EEG信号因其高时间分辨率、准确性和客观性，逐渐成为情绪识别领域的重要数据源。EEG信号^[3]通过反映大脑的电活动，能够揭示个体的情绪反应。情绪具有“唤醒度（Arousal）”“效价（Valence）”“优势（Dominance）”和“喜欢度（Like）”等维度，能够全面反映个体的情绪体验。随着机器学习技术的兴起，研究人员逐渐采用各种机器学习算法对EEG信号进行情绪分类，其中支持向量机（Support Vector Machine，SVM）因其出色的分类性能和较强的泛化能力，被广泛应用于EEG信号的情绪识别中。然而，SVM的性能受核函数的选择影响较大。核函数能够将数据从低维空间映射到高维空间，从而使得原本非线性可分的问题变得线性可分。

在SVM中，常用的核函数包括线性核、径向基函数核（Radial Basis Function Kernel，RBF核）和多项式核等。不同的核函数具有不同的适用场景，选择合适的核函数对于情绪分类任务至关重要。因此本文旨在深入探索基于EEG信号的情绪识别技术，以期为心理健康监测、人机交互以及情感计算等领域提供更高效、准确的情绪识别解决方案，通过对比不同核函数的SVM在情绪识别任务中的表现，并与其他常见的机器学习方法（如决策树、随机森林、神经网络等）进行比较，分析其优缺点，选择出适合EEG情绪识别的机器学习方法。

1  研究进展

DEAP（Dataset for Emotion Analysis using Physiological and Video Signals）作为包含多维度情绪的EEG数据集，广泛应用于情绪识别任务。近年来，使用SVM及其他机器学习方法对DEAP数据集进行情绪分类的研究取得了显著进展。研究者主要聚焦于不同核函数SVM的效果，同时也探索了其他机器学习方法的应用。

2011年，Schuller^[4]等在语音情绪识别任务（EMO-DB数据集）中发现，线性核SVM在基于MFCC和韵律特征的情绪分类中表现稳定，准确率达到86.2%。2012年，Koelstra^[5]等在DEAP脑电数据集上的研究表明，RBF核SVM在效价分类任务中准确率达73.1%，显著优于线性核（68.5%）。此外，2010年，Lucey^[6]等在CK+面部表情数据集上结合多项式核SVM与LBP-TOP特征，取得了92.4%的识别率，证明了多项式核在复杂特征交互任务中的优势。

除SVM外，其他机器学习方法在情绪识别任务中也取得了显著进展。Choi^[7]提出了一种基于多模态生理信号的情绪识别方法，通过提取EEG信号的微分熵特征、统计特征和复杂度特征，并将其与外周生理信号特征进行融合，在DEAP数据集上，单一EEG特征的分类精度为49.21%，而多模态特征融合后的分类精度最高可达56.98%，表明多模态特征融合能够有效提升情绪识别的性能。同时深度学习方法在该领域也逐渐受到关注。2016年，Mollahosseini^[8]等提出的深度CNN在CK+面部表情数据集上达到97.3%的准确率。

2  算法原理及相关应用

2.1  SVM基本原理

2.1.1  SVM分类方法

SVM是一种用于分类和回归的监督学习算法，尤其在模式识别问题中表现出色。SVM通过在特征空间中构造一个决策超平面，将数据集分为两类。其核心思想是找到一个最优超平面，使得在该超平面两侧的样本之间的间隔（简称“间隔宽度”）最大化。设数据集为{(x₁,y₁),(x₂,y₂),…(x_n,y_n)}，其中x_i∈R^d表示样本点，y_i∈{+1,-1}表示样本的类别。SVM的目标是找到一个超平面w^Tx+b=0，其中w∈R^d是法向量，b是偏置项，最优超平面的目标是最大化样本点到超平面的间隔，间隔的定义为2/(w)。

优化问题可以表达为：

通过拉格朗日乘子法和对偶问题，可以将该问题转化为一个对偶问题，最终求解出SVM的最优参数w和b^[9]。

2.1.2  SVM核函数

SVM是一个强大的分类器，通过引入核函数，能够将数据从原始的低维空间映射到一个更高维的特征空间，实现线性可分。常见的核函数有3种类型：线性核、RBF核和多项式核。

线性核是最简单的一种核函数，其形式为：

K (x,x')=x^Tx’   （2）

其中，x和x'是输入数据点的特征向量，x^Tx'表示它们的点积。线性核适用于数据本身在原始空间中已经是线性可分的情况。该核函数计算速度快，并且不需要额外的计算开销，但对于复杂的非线性问题，其性能可能较差^[10]。

RBF核是最常用的核函数之一，特别适用于复杂的非线性分类问题。RBF核的形式为：

其中，(x-x')²是数据点x和x'之间的欧几里得距离的平方，σ是控制核函数宽度的参数。RBF核通过将数据映射到一个高维空间，在该空间中数据变的线性可分。RBF核具有较强的分类能力，尤其在情绪识别等复杂任务中表现优越^[11]。

多项式核能够捕捉数据之间的多项式关系，尤其适用于某些具有明显多项式关系的数据集。其形式为：

K(x,x')= (x^Tx'+c)^d   （4）

其中，c是常数，d是多项式的阶数^[10]。多项式核能够在一定程度上捕捉数据的非线性特征，但其计算复杂度较高，尤其在处理高维数据时，可能导致过拟合问题。

核函数的选择直接影响SVM的分类性能。合适的核函数能够显著提升模型的准确率，特别是在处理高维和复杂数据时。选择合适的核函数通常需要根据数据集的特点和分类任务的要求来决定。对于线性可分的数据，使用线性核可能是最合适的，而对于复杂的非线性数据，RBF核通常表现出更好的性能。此外，多项式核可以在特定情况下提供更准确的分类结果，但计算开销较大。

2.1.3  情绪识别任务下的核函数差异

在情绪识别任务中，不同核函数的应用具有如下差异。

线性核：在情绪识别任务中，若EEG信号的特征空间相对简单或情绪状态与脑电活动之间的关系较为线性时，线性核可以提供较好的性能。其计算速度快，适合处理较小规模的数据集。然而，在处理较为复杂的情绪数据时，线性核可能无法充分捕捉数据的非线性特征。

RBF核：在EEG信号的情绪识别任务中，由于情绪状态的非线性特点，RBF核通常是最常用的选择。RBF核能够自动适应数据的复杂结构，适用于处理高度复杂且多变的情绪数据。尽管RBF核通常具有较高的计算成本，但其优越的分类性能常常弥补了这一缺点。

多项式核：适用于那些特征之间具有多项式关系的数据集。尽管多项式核能够捕捉数据的非线性特性，但其计算复杂度较高，尤其是在高维空间中，可能导致过拟合。因此，多项式核通常不适用于处理EEG信号中复杂的情绪识别任务，尤其是在数据量较大的情况下。

2.2  其他机器学习方法基本原理

2.2.1  决策树

（1）算法原理

决策树是基于树结构进行决策，本质上是通过条件判断对样本进行分类^[12]。它从根节点开始，根据样本的特征值对每个内部节点进行测试，按照测试结果将样本分配到不同的子节点，直到叶节点得出分类结果。决策树的构建过程就是寻找最优划分属性的过程，目的是使得划分后的子节点所包含的样本尽可能属于同一类别，即节点的纯度越来越高。

决策树的数学模型可以看作是一个分段函数。假设决策树有n个内部节点，每个内部节点对应一个属性测试条件T_i(x)(i=1,2,…,n),叶节点对应类别标签C_j(j=1,2,…,k,k为类别数）。对于输入样本x，从根节点开始依次执行属性测试，若满足T_i(x)，则进入相应子节点继续测试，直到到达叶节点，输出对应的类别标签C_j。

（2）算法步骤

步骤一，选择最优特征。从数据集所有特征中选择最优特征作为当前节点的划分依据（通常使用信息增益、增益率或基尼指数等指标）。步骤二，划分数据集。根据选择的特征将数据集划分为多个子集，每个子集对应一个子节点。步骤三，递归构建子树。对每个子集重复步骤一和二，直到满足停止条件。步骤四，停止条件。节点中的样本属于同一类别；节点中的样本数量小于预设阈值；所有特征均已使用完毕。步骤五，剪枝（可选）。通过预剪枝或后剪枝减少树的复杂度，避免过拟合。步骤六，输出决策树。生成完整的决策树模型，用于对新样本进行分类预测^[13]。

（3）优缺点

优点：一是易于理解和解释，决策树的结构直观，能够清晰地展示决策过程。二是不需要大量的预处理，对数据的缺失值和异常值有一定的容忍度。三是能够处理非线性关系，适用于多种类型的数据，包括数值型和离散型。缺点：一是容易过拟合，尤其是在数据噪声较大或树的深度过大时。二是对训练数据的依赖性强，数据的微小变化可能导致决策树结构的较大改变。三是泛化能力相对较弱，在面对新数据时可能表现不佳。

2.2.2  随机森林

（1）算法原理

随机森林是基于决策树的集成学习算法，它通过构建多个决策树并综合它们的预测结果来进行最终决策。随机森林在构建每棵决策树时，会对训练样本和特征进行随机抽样，使得每棵树具有一定的独立性和多样性。最终的预测结果通常是通过对所有决策树的预测结果进行投票（分类任务）或平均（回归任务）得到。数学模型如下。假设随机森林由M棵决策树T_m(x)(m=1,2,…,M)组成，对于分类任务，随机森林的预测结果为：

其中，I(·)是指示函数，当括号内条件成立时为1，否则为0；k为类别标签。对于回归任务，预测结果为：

（2）算法步骤

样本抽样（步骤1）：从原始训练集中有放回地随机抽取N个样本，形成一个新的训练子集，用于构建一棵决策树。特征抽样（步骤2）：在每个节点分裂时，从所有特征中随机选择d个特征（d<D，D为总特征数），然后在这d个特征中选择最优的分裂特征。决策树构建（步骤3）：使用上述抽样得到的样本和特征，按照决策树的构建方法生成一棵决策树。重复上述步骤（步骤4）：重复步骤1~3，构建M棵决策树，形成随机森林。预测（步骤5）：对于新的样本，将其输入到每棵决策树中进行预测，然后根据分类或回归任务的不同，采用投票或平均的方式得到最终预测结果^[14]。

（3）优缺点

优点：第一，具有较高的准确性和稳定性，由于综合了多棵决策树的结果，能够减少过拟合的风险，提高泛化能力。第二，对大规模数据和高维数据处理能力强，能够并行计算，训练速度相对较快。第三，对数据的适应性好，能处理各种类型的数据，包括数值型、离散型和混合类型。

缺点：第一，模型解释性相对较差，虽然可以通过一些方法（如特征重要性分析）来解释决策过程，但不如单个决策树直观。第二，内存消耗较大，需要存储多棵决策树的信息。第三，训练时间较长，尤其是在树的数量较多或数据量较大时。

2.2.3  神经网络

（1）算法原理

神经网络是模仿人类神经系统的结构和功能设计的计算模型，由大量的神经元（节点）组成，这些神经元按层次结构组织，包括输入层、隐藏层和输出层^[15]。神经元之间通过权重连接，信号在神经元之间传递时会经过加权求和和非线性变换（激活函数）。神经网络通过调整权重来学习输入和输出之间的映射关系，以实现对数据的分类或回归任务。

神经网络的数学模型如下。以一个简单的三层神经网络（输入层、一个隐藏层、输出层）为例，假设输入层有n个节点，隐藏层有m个节点，输出层有k个节点。输入向量x=(x₁,x₂,…,x_n)，输入层到隐藏层的权重矩阵为W⁽¹⁾，隐藏层到输出层的权重矩阵为W⁽²⁾。隐藏层的输出h为：

h=σ(W⁽¹⁾x+b⁽¹⁾)  （7）

其中，σ(·)是激活函数，如sigmoid函数、ReLU函数等；b⁽¹⁾是隐藏层的偏置向量。输出层的输出y为：

y=σ(W⁽²⁾h+b⁽²⁾)    (8)

其中，b⁽²⁾是输出层的偏置向量。在训练过程中，通过最小化损失函数（如均方误差、交叉熵损失等）来调整权重W⁽¹⁾和W⁽²⁾以及偏置b⁽¹⁾和b⁽²⁾。

（2）算法步骤

初始化权重和偏置（步骤1）：随机初始化神经网络的权重和偏置。前向传播（步骤2）：将输入数据传入神经网络，依次经过各层的计算，得到输出结果。计算损失（步骤3）：根据输出结果和真实标签，计算损失函数的值，衡量模型预测与真实值之间的差异。反向传播（步骤4）：根据损失函数的值，通过反向传播算法计算梯度，即计算损失函数对权重和偏置的导数。更新权重和偏置（步骤5）：根据梯度，使用优化算法（如随机梯度下降、Adagrad、Adam等）更新权重和偏置。重复训练（步骤6）：重复步骤2~5，直到损失函数收敛或达到预设的训练次数。

（3）优缺点

优点：一是具有很强的非线性建模能力，能够学习复杂的数据模式和关系，适用于处理EEG信号这种复杂的生理数据。二是对数据的适应性强，可以处理各种类型的数据，并且能够自动学习数据的特征表示。三通过增加网络层数和神经元数量，可以不断提高模型的表达能力，在大规模数据上表现优异。

缺点：一是训练过程复杂，需要大量的计算资源和时间，尤其是对于深度神经网络。二是容易出现过拟合问题，特别是在数据量不足或网络结构过于复杂时。三是模型解释性差，难以直观地理解神经网络是如何做出决策的。

3  试验设计与方法

3.1  数据集选择与评价指标

DEAP数据集是一个广泛用于情感分析的多模态数据集。该数据集的收集过程分为两部分。一是在线自我评估：共有14~16名受试者参与，他们根据效价、唤醒度、支配度、相似性和熟悉度等维度，对120个音乐视频进行评分，每个视频时长1 min。二是生理信号记录与参与者评分：共32名志愿者参与，每位参与者观看40个1 min的音乐视频片段，并对每个视频进行自我评估，评分维度包括效价、唤醒度、支配度、相似性和熟悉度。在观看视频的同时，记录了参与者的生理信号，包括EEG、眼电图、肌电图、皮肤电反应、呼吸频率、心率、体温和血氧饱和度，并以BioSemi。bdf格式存储，采样率为512 Hz^[5]。

在数据预处理阶段，原始的512 Hz脑电信号经过下采样、滤波、分割和去伪影处理后，最终以128 Hz的采样率进行存储。处理后的数据以MATLAB。mat和Python。dat格式提供，方便研究者进行后续分析。

在每个参与者对应的32个。dat文件中，包含数据数组和标签数组。数据数组：40×40×8 064（视频×通道×数据），表示40个视频片段，每个片段包含40个EEG通道的数据，每个通道有8 064个采样点。标签数组：形状为40×4，包含每个视频片段在效价、唤醒度、支配度和相似性维度上的评分。

为了全面评估模型的性能，还选择了多种常用的评价指标。例如，准确率：分类正确的样本数与总样本数的比例，是最常用的性能衡量标准。精确率：预测为正类的样本中，实际为正类的比例，用于评估假阳性的影响。召回率：实际为正类的样本中，预测为正类的比例，用于评估假阴性的影响。F1分数：精确率和召回率的调和平均值，综合反映模型的分类效果，尤其适用于数据不均衡的情况。混淆矩阵：通过展示真实标签与预测标签的关系，直观地评估分类器的性能。

3.2  特征提取

本文使用快速傅里叶变换（Fast Fourier Transform，FFT）对脑电信号进行频域特征提取，以提高情绪分类模型的训练速度和准确性。通过FFT处理后，数据的维度被压缩为58 560（样本数量）× 70（特征数量），提取了总共70个频域特征。

特征提取过程中，选择了5个主要的频带：δ波（1~4 Hz）、θ波（4~8 Hz）、α波（8~14 Hz）、β波（14~31 Hz）、γ波（31~50 Hz）。每个频带的功率通过FFT计算，并采用固定窗口大小（256个采样点）和步长（16）来进行处理。每次步长为16意味着每0.125 s更新一次特征，且每个频带的功率被平均为2 s的时间窗口。

经过FFT处理后，选择了14个通道(1,2,3,4,6,11,13,17,19,20,21,25,29,31)和5个频带(4,8,12,16,25,45)进行特征提取，最终获得了70个特征，显著减少了计算量并提高了后续情感分类的准确性。

3.3  超参数调优与模型训练

3.3.1  SVM超参数选择

SVM的主要超参数包括正则化参数C和核函数参数（如RBF核的γ）。通过网格搜索和交叉验证方法进行超参数调优。具体步骤包括：设置C和γ的候选值范围；使用交叉验证评估每组超参数的性能；选择性能最优的超参数组合。

3.3.2  决策树、随机森林与神经网络参数设置

决策树：主要超参数包括树的最大深度和最小样本分割数，通过交叉验证选择最优的超参数。随机森林：主要超参数包括树的数量、最大深度和最小样本分割数，通过网格搜索和交叉验证进行调优。神经网络：主要超参数包括学习率、批大小、卷积核大小和长短期记忆网络（Long Short-Term Memory，LSTM）单元数。通过随机搜索和早停法进行调优。

在模型训练过程中，使用80%的数据作为训练集，20%的数据作为测试集。为了确保模型的泛化能力，本文采用交叉验证进行模型评估，并记录每次试验的平均性能指标。

4  实验结果与分析

4.1  不同核函数的分类性能

线性核：通过对DEAP数据集进行带通滤波处理，得到32名受试者的EEG信号数据，对这些特征进行标准化处理，并使用SVM的线性核对训练集数据进行训练，后评估模型在测试集上的性能，得到混淆矩阵和ROC（Receiver Operating Characteristic）曲线。在图1的SVM线性混淆矩阵（a）中，真负类（True Negative，TN）为43，假正类（False Positive，FP）为66，假负类（False Negative，FN）为23，真正类（True Positive，TP）为124。图1的SVM线性核ROC曲线的AUC（Area Under the Curve）值为0.66，反映出模型具有中等的分类性能。

图1   SVM线性核混淆矩阵（a）和SVM线性核ROC曲线（b）

径向基核：同上，利用标准化处理后的数据，研究使用了径向基核的SVM模型。在测试集上的评估结果显示，在图2的SVM径向混淆矩阵（a）中TN为15，FP为94，FN为14，TP为133。此外，图2的SVM径向基核的ROC曲线（b）显示该模型的AUC值为0.62，表明模型具有基础的分类能力。

图2   SVM径向基核混淆矩阵（a）和SVM径向基核ROC曲线（b）

多项式核：同样利用标准化处理后的频域特征数据，训练了一个采用多项式核的SVM模型。在测试集上的评估结果可知，图3的SVM多项式核混淆矩阵（a）中TN为8，FP为101，FN为10，TP为137，该模型的多项式核ROC曲线（b）显示AUC值为0.59，表明其分类性能略低于随机猜测。

图3   SVM多项式核混淆矩阵（a）和SVM多项式核ROC曲线（b）

从试验结果可以看出，不同的核函数对SVM的性能有显著影响。具体而言，线性核表现最好，可能是因为数据在特征空间中相对线性可分。径向基核和多项式核的性能相对较差，可能是它们对数据的映射不够有效，导致分类性能下降。对比SVM与决策树、随机森林及神经网络的性能后发现，随机森林在所有模型中表现最佳，准确率达到69%，F1分数为67%。这表明随机森林在处理EEG信号的情绪识别任务中具有较好的泛化能力和稳定性。决策树的性能与线性核SVM相当，准确率和F1分数均在62%和60%左右。多层感知机（Multilayer Perceptron，MLP）的性能相对较差，准确率和F1分数均在60%和57%左右，可能是因为MLP模型的复杂度不足以捕捉EEG信号中的复杂情绪特征。

综上所述，随机森林模型在准确率和AUC值方面均表现最佳，显示出其在EEG信号分类任务中的优越性。线性核SVM和决策树模型的性能相当，均优于多项式核SVM和MLP模型。多项式核SVM和MLP模型的性能相对较低，可能需要进一步优化模型参数或结构。

4.2  SVM与其他机器学习方法的对比

通过观察不同核函数的SVM和其他机器学习方法的评估指标数据（如表1所示）及其性能对比图（如图4所示），可以得出以下结论。

表1   各模型性能数据对比

图4   各模型性能比较图

第一，核函数的选择对SVM性能至关重要。经试验，线性核表现最佳，其次是径向基核和多项式核，表明线性核在处理相对线性可分的数据时具有优势。第二，随机森林在情绪识别任务中表现优异。随机森林通过集成多棵决策树的预测结果，显著提高了分类性能和稳定性。第三，神经网络表现相对一般。MLP的性能相对较差，可能是因为其模型复杂度不足以捕捉EEG信号中的复杂情绪特征。

5  结束语

通过对比不同核函数的SVM和其他常见的机器学习方法（决策树、随机森林、神经网络）在EEG情绪识别任务中的性能，得出以下主要结论。在模型性能差异方面，随机森林模型在准确率和AUC值方面均优于其他模型，显示出其在处理EEG信号分类任务中的优势。线性核SVM和决策树模型的性能相当，均优于多项式核SVM和MLP模型。在核函数选择的重要性方面，在SVM模型中，线性核的表现优于径向基核和多项式核，这表明核函数的选择对模型性能有显著影响。在模型优化的必要性方面，尽管MLP模型表现一般，但其性能仍有提升空间。通过调整模型结构或参数，可能会进一步提高其在EEG信号分类任务中的表现。

未来，首先应探索更先进的核函数，进一步研究和开发新的核函数，以提高SVM在处理非线性数据时的性能。其次，优化神经网络结构，尝试更复杂的神经网络结构（如深度卷积神经网络和LSTM），以更好捕捉EEG信号中的深层特征。最后，结合EEG信号与其他生理信号（如心率、皮肤电反应等），进行多模态情绪识别，以提高分类性能和鲁棒性。通过不断探索和创新，未来可以构建更加准确、稳定的EEG情绪识别模型，为脑机接口技术的发展提供有力支持。

Comparative analysis of machine learning methods for EEG-based emotion recognition

LI Zhifang¹, CHENG Liwei², ZHOU Jie²

（1. LI Zhifang, Telecommunications Science and Technology Research Institute, Beijing 100191, China；

2. Intellectual Property and Innovation Development Center, China Academy of Information and Communications Technology, Beijing 100191, China）

Abstract: With the development of brain-computer interface technology, emotion recognition based on Electroencephalogram(EEG) signals has become a research hotspot. This paper compares the performance of different kernel functions in Support Vector Machine(SVM) for EEG-based emotion recognition tasks, and contrasts them with common machine learning methods such as decision trees, random forests, and neural networks. Based on the DEAP dataset, by analyzing the performance of various kernel functions (linear, radial basis function, and polynomial) and other models, this paper found that random forest achieves the best performance in terms of accuracy and AUC values. Linear kernel SVM is suitable for linearly separable data, while radial basis function and polynomial kernels show relatively poorer performance. Additionally, this paper explores the performance of neural networks and proposes future research directions for optimizing models and kernel function selection. It aims to provide valuable insights into EEG-based emotion recognition and advance the development of BCI technology.

Keywords: electroencephalogram; emotion recognition; support vector machine; kernel function; machine learning

本文刊于《信息通信技术与政策》2025年 第3期

《信息通信技术与政策》投稿指南！

为进一步提高期刊信息化建设水平，为广大学者提供更优质的服务，我刊官方网站（http://ictp.caict.ac.cn）已正式投入运行，欢迎投稿！

   推荐阅读  

专题|全球脑机接口技术与产业发展态势

深圳国际科技信息中心黄岑等：脑科学与脑机工程未来产业发展初探：以深圳市为例

专题丨生理信号发生器技术研究综述

华东光电集成器件研究所范雪梅等：融合专注度评估与反馈的运动想象脑机接口康复训练研究

专题丨基于Nginx负载均衡的大规模脑电信号处理集群架构设计与实现

专题丨脑机接口伦理风险及伦理审查研究

北京邮电大学张洪欣教授团队：基于分布式架构的脑机接口教学系统设计与实现

导读：脑机接口

你“在看”我吗？