吳文俊人工智能科學技術獎提名公示內(nèi)容

1、PAGE PAGE 4吳文俊人工智能科學技術獎提名公示內(nèi)容（2020年度）項目名稱：情感腦機接口的基本特性、基礎算法和公開數(shù)據(jù)集提名者：徐宗本、西安交通大學、中國科學院院士、人工智能提名意見：該項目填補了多項情感腦機接口基礎研究的空白，在情感腦機接口的基本特性、基礎算法和公開數(shù)據(jù)集等方面做出了重要貢獻。揭示了腦電信號對于情緒表征的穩(wěn)定特性和腦電信號與眼動信號對于情緒識別的互補特性,提出了能有效濾除與情緒無關腦電信號的線性動態(tài)系統(tǒng)腦電信號平滑方法和有效提取情感腦電特征的微分熵特征方法。自2015年10月公開發(fā)布上海交通大學情緒腦電數(shù)據(jù)集SEED以來，先后發(fā)布了三類情緒、四類情緒和警覺度估計三個腦

2、電數(shù)據(jù)集，到目前為止來自全球190余所高校和研究機構(gòu)的1320余個用戶申請使用SEED數(shù)據(jù)集，使用SEED數(shù)據(jù)集發(fā)表的雜志和會議文章達60余篇，SEED數(shù)據(jù)集已成為國際上開展情感腦機接口研究最常用的兩個標準數(shù)據(jù)集之一。項目簡介：情感腦機接口是一種對人的情緒進行識別或調(diào)控的腦機接口。本項目屬于非侵入式情感腦機接口，主要貢獻有以下五方面：1)情緒腦電模式隨時間變化的穩(wěn)定特性。腦電信號是一種非穩(wěn)態(tài)信號，且存在比較大的個人差。因此，對于基于腦電信號的情緒識別任務，是否存在穩(wěn)定的腦電模式是一個研究空白。為了解答此問題，我們設計了跨時間的情緒誘發(fā)實驗，通過對情緒識別的腦電特征和情緒識別模型進行系統(tǒng)對比和分

3、析，在國際上首次揭示了情緒腦電模式隨時間變化保持穩(wěn)定的基本特性。MIT科技評論以題為“智能機器與人類溝通時如何識別情緒變化？中國團隊給出答案”進行了報道，相關論文發(fā)表在IEEE Trans. Affective Computing（代表性論文#1）,并被列為ESI高被引論文。2)腦電信號高頻頻段對情緒表征的能力優(yōu)于低頻頻段。腦電信號由低到高分為五個頻段，我們從情緒識別的準確率和深度信念網(wǎng)絡連接權(quán)重兩個不同的角度，揭示了腦電信號高頻頻段對情緒的表征能力優(yōu)于低頻頻段這一特性，并發(fā)現(xiàn)了腦電的關鍵腦區(qū)（代表性論文#2、#3)。這些結(jié)果為構(gòu)建高精度情感模型和可穿戴情感腦機接口提供了技術支撐，相關論文(代

4、表性論文#3)被評為2018 IEEE Trans. Autonomous Mental Development Outstanding Paper Award，并被列為ESI高被引論文。3)腦電信號與眼動跟蹤信號融合的腦機接口框架及互補特性。情緒表征包含了人的外部行為特征和內(nèi)部生理變化，依靠單一的外部行為特征或內(nèi)部生理信號都難以全面、準確地表征情緒。我們在國際上首次提出了腦電信號與眼動跟蹤信號融合的新的多模態(tài)情感腦機接口框架，并揭示了腦電信號與眼動跟蹤信號在情緒識別任務中的互補特性。相關成果發(fā)表在IEEE EMBS 2014年會和IJCAI 2015，這兩篇論文（代表性論文#4、#5）分別被

5、列為ESI前千分之一和ESI前百分之一論文。4)腦電信號的平滑算法和特征提取方法。情感腦機接口一般是采集單次腦電信號，這對腦電信號的預處理和特征提取提出了更高的要求。我們提出了可以濾除與情感狀態(tài)無關的新的線性動態(tài)系統(tǒng)腦電信號平滑算法和有效提取情感腦電特征的微分熵特征提取算法。來自全球不同實驗室獨立的實驗結(jié)果表明，腦電的微分熵特征在情緒識別任務上優(yōu)于傳統(tǒng)的功率譜密度特征，已成為基于腦電的情緒識別研究中最廣泛使用的特征提取方法之一。相關成果發(fā)表在IEEE EMBS 2010和IEEE EMBS NER 2013，這三篇論文（代表性論文#6、#7、#8）分別被列為高被引論文和ESI前千分之一論文。5

6、)公開情緒腦電數(shù)據(jù)集SEED。自2015年10月對學術界公開發(fā)布上海交通大學情緒腦電數(shù)據(jù)集SEED以來，先后發(fā)布了三類情緒（代表性論文#3）、四類情緒和警覺度估計三個腦電數(shù)據(jù)集。到目前為止，來自全球190余所大學（包括哈佛大學、MIT、劍橋大學和清華大學）的1320多個實驗室申請使用SEED數(shù)據(jù)集，累計使用SEED數(shù)據(jù)集發(fā)表的雜志和會議論文達59篇，SEED數(shù)據(jù)集是目前國際上開展情感腦機接口研究所使用的最常用的兩個標準腦電數(shù)據(jù)集之一。 代表性論文專著目錄：Zheng W. L., Zhu J. Y., Lu B. L. Identifying Stable Patterns over Time

7、 for Emotion Recognition from EEG，IEEE Transactions on Affective Computing, v: 10, i: 3, p: 417-429, 2019（高被引）(發(fā)表時間：2017年6月4日)Li M., Lu B. L. Emotion Classification Based on Gamma-band EEG, 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Vol 1-20, p: 132

8、3-1326, 2009（ESI前1%）Zheng W. L., Lu B. L. Investigating Critical Frequency Bands and Channels for EEG-Based Emotion Recognition with Deep Neural Networks, IEEE Transactions on Autonomous Mental Development, v: 7, p: 162-175, 2015（2018 IEEE Trans. Autonomous Mental Development Outstanding Paper Award

9、；高被引）Zheng W. L., Dong B. N., Lu B. L. Multimodal Emotion Recognition using EEG and Eye Tracking Data，36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, p: 5040-5043, 2014 （ESI 前1%）Lu Y. F., Zheng W. L., Li B. B., Lu B. L. Combining Eye Movements and EEG to

10、 Enhance Emotion Recognition, Proceedings of the Twenty-Fourth International Joint Conference on Artificial Intelligence (IJCAI 2015), p: 1170-1176, 2015（ESI前1%）Wang X. W., Nie D., Lu B. L. Emotional state classification from EEG data using machine learning approach, Neurocomputing, v: 129, p: 94-106, 2014（高被引）Nie D. Wang X. W., Shi L. C., Lu B. L. EEG-based Emotion Recognition during Watching Movies, 2011 5th International IEEE/EMBS Conference on Neural Engineering, p: 667-670, 2011 （ESI前1%）Duan R. N., Zhu J. Y., Lu B. L. Differential Entropy Feature for EEG-Based Emotion Cl