基于脑电信号（EEG）的情绪分类是健康大数据的重要组成部分。在这方面的主要挑战之一是不同的被试之间的脑电数据不适应的问题。域自适应是减少源域和目标域之间数据差异的有效方法。这篇论文研究通过对抗域适应的方法，通过一个鉴别器将一个小样本的目标域数据转换到源域，从而在用源域数据训练的分类器上快速适应目标域数据。在本研究中，提出了一种新的方法称为“少标签对抗域自适应”（FLADA）的跨被试的情绪分类。为了评估所提出的方法的性能，在公共数据集DEAP数据集进行测试。结果发现，在少量的目标数据下，所提出的FLADA模型在准确性方面优于现有的方法。
厦门大学信息学院的Yingdong Wang为此文第一作者。厦门大学信息学院的Chen Wang为此文的通讯作者。
该论文已被Expert Systems With Applications（中科院一区，IF=8.5）接收，题目为《Cross-subject EEG emotion classification based on few-label adversarial domain adaption》
2023年12月16-17日，由广东省护理学会、广东省护理学会儿童音乐治疗专业委员会、广州市海珠区无界艺术公益创新发展中心主办的音乐治疗在病房的多元发展辅助治疗新进展学习班在广州市文化馆开班。此次会议邀请到康复治疗、心理学、护理学等多行业专家带来权威又生动的分享。
本篇学习报告基于2015年5月发表于中科院一区期刊Proceedings of the IEEE的论文“Signal processing approaches to minimize or suppress calibration time in oscillatory activity-based brain computer interfaces”。该论文全面考察且总结了现有的用于减少或者抑制BCI校准时间的方法。然后，该论文提出了一个利用少量原始EEG试次人工生成新的EEG试次，以扩大训练集来减少BCI校准时间的想法，并且提出了三种不同的方法来实现该想法。此外，该论文还提出了一种新型、快速、简单的方法来实现用户间的BCI迁移。最后，该论文在三个不同的BCI数据集上研究和比较了新方法和旧方法，并由此确定了关于如何减少或抑制BCI校准时间的指导方针。
本篇学习报告基于期刊MATHEMATICS在2022年1月刊登的文章《The Effect of Music Listening on EEG Functional Connectivity of Brain: A Short-Duration and Long-Duration Study》，这篇论文研究以音乐作为刺激时大脑功能连接（FC）的变化，从音乐类型和聆听音乐持续时间两个方面来进行探讨。短时间聆听音乐的研究验证了喜爱或偏好的音乐都能影响受试者的功能连接，并诱发放松状态; 长时间聆听音乐的研究验证了放松音乐可以帮助受试者实现放松、活跃和警觉的假设。
本篇学习报告基于Arxiv 2023的《BIOT: Cross-data Biosignal Learning in the Wild》，作者是来自伊利诺伊大学厄巴纳-香槟分校和哈佛医学院的Chaoqi Yang, M. Brandon Westover, Jimeng Sun等研究人员。这篇论文所提出的BIOT模型可以使具有不匹配通道、可变长度和缺失值的跨数据学习通过词法分析将不同的生理电信号转化为统一的”biosignal sentences”。具体来说，我们将每个通道tokenize分成固定长度的包含局部信号特征的片段，并将其拉平，形成一致的”sentences”。加入通道嵌入和相对位置嵌入来保留时空特征。
本篇学习报告基于期刊Frontiers in Neuroscience在2022年2月刊登的文章《Microstate Detection in Naturalistic Electroencephalography Data: A Systematic Comparison of Topogra》，本文探讨了拓扑聚类策略是否会影响任务状态脑电微状态分析中微状态检测的性能，实验表明，基于单次试验的拓扑聚类可能是自然脑电图数据的微观状态分析和神经活动研究的不错选择。
斯坦福大学的吴佳俊和李飞飞团队近日提出的 NOIR 系统能让用户通过非侵入式脑电图装置控制机器人完成日常任务。神经信号操作智能机器人（NOIR），这是一个通用的大脑-机器人接口（BRI）系统，使人类可以通过大脑信号来命令机器人执行日常活动。通过这个接口，人们可以使用非侵入性脑电图（EEG）技术来传递他们感兴趣的目标和行动，从而与机器人进行交互。它协同集成了机器人学习算法，使NOIR能够适应用户个体并预测他们的意图。这意味着系统可以根据不同用户的需求和行为习惯进行自适应，从而提供更个性化和高效的服务。可以说，这项工作改进了人与机器人的互动方式，将传统的互动渠道替换为直接的神经通信。
本篇学习报告基于CoRL 2023的《NOIR: Neural Signal Operated Intelligent Robots for Everyday Activities》，作者是来自斯坦福大学的Ruohan Zhang, Sharon Lee, Minjune Hwang, Ayano Hiranaka等研究人员。这篇论文提出了一种通用的智能脑-机器人接口系统 ——神经信号操作智能机器人（NOIR），这使人类能够通过大脑信号命令机器人进行日常活动，通过EEG将感兴趣的目标和行动传达给机器人，增强了人类与机器人互动的方式。
本篇学习报告基于2023年8月发表于中科院一区期刊Expert Systems with Applications的论文“Efficient neural architecture search for emotion recognition”，这篇论文提出了一种基于可微结构搜索的算法EmoNAS，以通过优化的CNN模型来应对宏观和微观表情方面的挑战，并建议在搜索阶段使用的架构设计中使用统一数量的单元。实验结果表明通过EmoNAS搜索生成的模型非常轻量级和快速，且效果优于现有大多数宏观和微观表情识别模型。
