在使用SEED数据集的EEG情绪识别中，3DCANN深度学习模型表现出优于最先进模型的性能。
其他
与现有的最先进模型相比，所提出的3DCANN模型提高了基于EEG的情绪识别性能。
由于脑电图（EEG）信号能够真实反映人类的情绪状态，基于EEG的情绪识别已成为人工智能领域的一个重要分支。针对不同情绪状态下EEG信号的差异性，本文提出了一种名为三维卷积注意力神经网络（3DCANN）的新型深度学习模型，用于EEG情绪识别。3DCANN模型由时空特征提取模块和EEG通道注意力权重学习模块组成，能够很好地提取多通道EEG信号之间的动态关系以及连续时间段内多通道EEG信号的内部空间关系。在该模型中，时空特征与双重注意力学习的权重进行融合，融合后的特征被输入到softmax分类器中进行情绪分类。此外，我们利用SJTU Emotion EEG Dataset (SEED)来评估所提算法的可行性和有效性。最后，实验结果表明，3DCANN方法在EEG情绪识别方面的性能优于最先进的模型。
Liu et al. (Tue,) 在情绪识别领域开展了一项其他研究。针对情绪识别性能，对 3DCANN（三维卷积注意力神经网络）与最先进的模型进行了评估。在使用 SEED 数据集的 EEG 情绪识别中，3DCANN 深度学习模型表现出优于最先进模型的性能。