CN112203083B - 一种视频数据的质量等级确定方法和装置 - Google Patents
一种视频数据的质量等级确定方法和装置 Download PDFInfo
- Publication number
- CN112203083B CN112203083B CN202011068969.4A CN202011068969A CN112203083B CN 112203083 B CN112203083 B CN 112203083B CN 202011068969 A CN202011068969 A CN 202011068969A CN 112203083 B CN112203083 B CN 112203083B
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- sub
- eeg
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/384—Recording apparatus or displays specially adapted therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/004—Diagnosis, testing or measuring for television systems or their details for digital television systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种视频数据的质量等级确定方法和装置,涉及数据处理的技术领域,包括:获取多个初始EEG数据;基于多个初始EEG数据确定初始EEG数据集,其中,初始EEG数据集中包括第一子数据集和第二子数据集,第一子数据集为基于情绪反应脑电数据构建的数据集,第二子数据集为基于脑电情绪数据构建的数据集;利用迁移学习算法对第一子数据集和第二子数据集进行处理,得到第三子数据集和第四子数据集;基于第三子数据集和第四子数据集,确定质量退化的视频数据的质量评价等级,解决了现有技术中利用情绪分类模型确定视频质量等级,得到的结果准确性较低的技术问题。
Description
技术领域
本发明涉及数据处理技术领域,尤其是涉及一种视频数据的质量等级确定方法和装置。
背景技术
由于通信带宽难以满足高品质的宽带业务,多媒体业务会存在各种各样的质量退化现象,在面向QoE的评价方式中,视频播放的质量下降常见的几类因素分别包括:视频的清晰度、播放的初始缓冲、播放卡顿,还有音画不同步现象等。其中,相比于卡顿、初始缓冲现象,播放过程中的音画不同现象是令人更难以忍受。音视频在经过编码后固定的时间戳,由于网络丢包、时延等各种网络退化的问题,传输到用户的接收端后,时间戳的不同步会直接导致画面解析和声音错乱,衔接不连续等各种现象。
通常对于这种业务的分数评定都是直接基于用户主观评分,在实验环境下,给目标对象播放声音和画面不同步的刺激材料,目标对象根据自己的主观感受判定实验材料是否存在音画不同步这一现象,然后对于声音和画面不同步现象感受的程度,依据评分表给出相应的分数,常见的评分表有MOS评分表、双刺激连续质量评分标尺等。综合统计所有目标对象的结果,获取平均分数作为用户主观打分的结果。
但是,直接基于用户主观打分的音画不同步的质量分数评分方法,例如双刺激损伤尺度,双刺激连续质量标度,单刺激等,直接对存在声音和画面不同步的材料进行主观打分。双刺激损伤尺度将每个序列和每个音画不同步的等级类型进行平均得分,双刺激连续质量标度则是对两条随机序列进行打分,根据评分的差值作为最后的评价指标。这些方法在测试中都会受到目标对象个人主观和偏见的影响,往往会掺杂个人经验,结果过于孤立,不利于将结果泛化,无法很好的形成标准的体验质量评价体系。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种视频数据的质量等级确定方法和装置,以缓解了现有技术中利用情绪分类模型确定视屏质量等级,得到的结果准确性较低的技术问题。
第一方面,本发明实施例提供了一种视频数据的质量等级确定方法,包括:获取多个初始EEG数据,其中,所述初始EEG数据包括:目标对象观看质量退化的视频数据生成的脑电情绪数据,所述目标对象观看情绪图片或情绪视频生成的情绪反应脑电数据;基于所述多个初始EEG数据确定初始EEG数据集,其中,所述初始EEG数据集中包括第一子数据集和第二子数据集,所述第一子数据集为基于所述情绪反应脑电数据构建的数据集,所述第二子数据集为基于所述脑电情绪数据构建的数据集;利用迁移学习算法对所述第一子数据集和所述第二子数据集进行处理,得到第三子数据集和第四子数据集;基于所述第三子数据集和所述第四子数据集,确定所述质量退化的视频数据的质量评价等级。
进一步地,对所述多个初始EEG数据进行预处理,得到多个目标EEG数据;对所述多个目标EEG数据进行特征提取,得到多个小波包系数特征;利用所述脑电情绪数据的小波包系数特征构建第一子数据集,以及利用所述情绪反应脑电数据的小波包系数特征构建第二子数据集;将所述第一子数据集和所述第二子数据集的合集确定为所述初始EEG数据集。
进一步地,对所述多个初始EEG数据进行预处理,得到多个目标EEG数据,包括:确定出所述初始EEG数据的参考电势;基于所述参考电势,对所述初始EEG数据进行校准,得到中间EEG数据;对所述中间EEG数据进行滤波处理和裁剪处理,得到所述目标EEG数据。
进一步地,所述初始EEG数据中包括多个头皮电极信号;确定出所述初始EEG数据的参考电势,包括:确定出每个所述头皮电极信号对应的电极在所述目标对象的头皮上的位置信息;利用所述位置信息,确定出目标位置,并根据所述目标位置对应的电极的电势,确定出所述参考电势,其中,所述目标位置为所述目标对象的双耳处;或计算出所述多个头皮电极信号所对应的电势的平均电势;将所述平均电势确定为所述参考电势。
进一步地,对所述中间EEG数据进行滤波处理和裁剪处理,得到所述目标EEG数据,包括:对所述中间EEG数据进行滤波处理,得到完成滤波处理的中间EEG数据;对所述完成滤波处理的中间EEG数据进行独立主成分分析,确定出所述完成滤波处理的中间EEG数据中的目标信号,其中,所述目标信号为所述完成滤波处理后的中间EEG数据中能量值最大的信号;删除所述目标信号,得到所述目标EEG数据。
进一步地,对所述多个目标EEG数据进行特征提取,得到多个小波包系数特征,包括:对所述目标EEG数据进行小波包分解,得到子带树,其中,每个子带包含一个或多个节点;确定出每个子带的小波包系数;基于所述每个子带的小波包系数,提取出所述小波包系数特征,其中,所述小波包系数特征包括:每个节点的小波能量,每个节点的小波熵,目标波段的能量递归效率,绝对功率。
进一步地,基于所述第三子数据集和第四子数据集,确定所述质量退化的视频数据的质量评价等级,包括:基于所述第三子数据集构建支持向量机模型;将所述第四子数据集输入所述支持向量机模型,得到所述质量退化的视频数据的质量评价等级。
第二方面,本发明实施例还提供了一种视频数据的质量等级确定装置,包括:获取单元,第一构建单元,第二构建单元和执行单元,其中,所述获取单元,用于获取多个初始EEG数据,所述初始EEG数据包括:目标对象观看质量退化的视频数据生成的脑电情绪数据,所述目标对象观看情绪图片或情绪视频生成的情绪反应脑电数据;所述第一构建单元,用基于所述多个初始EEG数据确定初始EEG数据集,其中,所述初始EEG数据集中包括第一子数据集和第二子数据集,所述第一子数据集为基于所述情绪反应脑电数据构建的数据集,所述第二子数据集为基于所述脑电情绪数据构建的数据集;所述第二构建单元,利用迁移学习算法对所述第一子数据集和所述第二子数据集进行处理,得到第三子数据集和第四子数据集;所述执行单元,用于基于所述第三子数据集和所述第四子数据集,确定所述质量退化的视频数据的质量评价等级。
进一步地,所述第一构建单元用于:对所述多个初始EEG数据进行预处理,得到多个目标EEG数据;对所述多个目标EEG数据进行特征提取,得到多个小波包系数特征;基于所述多个小波包系数特征构建所述初始EEG数据集。
第三方面,本发明实施例提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述第一方面中所述方法的步骤。
在本发明实施例中,获取多个初始EEG数据,初始EEG数据包括:目标对象观看质量退化的视频数据生成的脑电情绪数据,所述目标对象观看情绪图片或情绪视频生成的情绪反应脑电数据;基于多个初始EEG数据确定初始EEG数据集,其中,初始EEG数据集中包括第一子数据集和第二子数据集,第一子数据集为基于情绪反应脑电数据构建的数据集,第二子数据集为基于脑电情绪数据构建的数据集;利用迁移学习算法对第一子数据集和所述第二子数据集进行处理,得到第三子数据集和第四子数据集;基于第三子数据集和第四子数据集,确定质量退化的视频数据的质量评价等级。
在本发明实施例中,在现有的基于主观质量评价的方法中,引入了脑电情绪数据,摆脱了目标对象主观打分由于偏见、历史背景导致的不客观性,同时利用迁移学习将质量退化的视频数据和主观质量分数评级起来,相比于迁移之前直接使用情绪分类模型对质量退化的视频数进行质量评价的方法,结合迁移学习方法的质量退化的视频数据质量评价方法的准确率得到了一定的提升,达到了提高了对质量退化的视频数据质量的评价准确率的目的,进而解决了现有技术中利用情绪分类模型确定视屏质量等级,得到的结果准确性较低的技术问题,从而实现了提高了对质量退化的视频数据质量的评价准确率的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种视频数据的质量等级确定方法的流程图;
图2为本发明实施例提供的一种小波包分解示意图;
图3为本发明实施例提供的一种视频数据的质量等级确定装置的示意图;
图4为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
根据本发明实施例,提供了一种视频数据的质量等级确定方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种视频数据的质量等级确定方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取多个初始EEG数据,其中,所述初始EEG数据包括:目标对象观看质量退化的视频数据生成的脑电情绪数据,所述目标对象观看情绪图片或情绪视频生成的情绪反应脑电数据;
需要说明的是,EEG(Electroencephalogram)数据为脑电波数据。
步骤S104,基于所述多个初始EEG数据确定初始EEG数据集,其中,所述初始EEG数据集中包括第一子数据集和第二子数据集,所述第一子数据集为基于观看质量退化的视频数据生成的脑电情绪数据,所述第二子数据集为基于观看情绪图片或情绪视频生成的情绪反应脑电数据;
步骤S106,利用迁移学习算法对所述第一子数据集和所述第二子数据集进行处理,得到第三子数据集和第四子数据集;
步骤S108,基于所述第三子数据集和所述第四子数据集,确定所述质量退化的视频数据的质量评价等级。
在本发明实施例中,在现有的基于主观质量评价的方法中,引入了脑电情绪数据,摆脱了目标对象主观打分由于偏见、历史背景导致的不客观性,同时利用迁移学习将质量退化的视频数据和主观质量分数评级起来,相比于迁移之前直接使用情绪分类模型对质量退化的视频数进行质量评价的方法,结合迁移学习方法的质量退化的视频数据质量评价方法的准确率得到了一定的提升,达到了提高了对质量退化的视频数据质量的评价准确率的目的,进而解决了现有技术中利用情绪分类模型确定视屏质量等级,得到的结果准确性较低的技术问题,从而实现了提高了对质量退化的视频数据质量的评价准确率的技术效果。
需要说明的是,上述的脑电情绪数据可以通过实验获取,具体获取方式如下:
由于视频数据的音画不同步现象存在声音处于画面前面和画面处于声音前面两种不同的情况,因此实验中设置的级别包括700ms,600ms,500ms,400ms,300ms,250ms,200ms,150ms,100ms,50ms,0ms,-50ms,-100ms,-150ms,-200ms,-250ms,-300ms,-350ms,-400ms,-500ms一共20个等级,正数为画面领先于声音的情况,而负数则是画面落后于声音的情况。这两种情况作为实验组,而其中不含有声音和画面延迟的0ms等级组作为对照组进行对照试验。
音画不同步刺激材料,材料截取了时长20s对于事件评论的播音内容,其中播音员语速适中,吐字清楚,视频没有扣人心弦的内容,视频的内容不会引起目标对象的任何情绪。刺激材料一共包含3段不同内容的播音短片,以分辨率为720*576,30fps的速度进行播放。
在开始实验前会进行预实验,测试准备会有视力测试和预实验,视力测试是为了保证目标对象观看正常清晰,预实验中会告诉目标对象我们的实验目的和被试在实验中所需要完成的任务。引导目标对象使用试验设备,让目标对象在陌生的屏蔽室内放松心态,等目标对象熟悉了所有的实验流程,便会开始正式的实验,目标对象在屏蔽间按下回车键,实验便正式开始。主试者在屏蔽室外面记录实验过程中目标对象的脑电数据,同时通过监控观察整个实验过程目标对象的精神状态,如有出现问题便立即暂停实验。
视频数据共120段,每段时长约20s的实验刺激材料,按照视频内容分成三个章节播放,每两个章节间会有黑屏,让目标对象休息5分钟。为了不让目标对象发现视频间的规律,每个章节间播放的40段视频全部打乱,随机抽取无序进行播放。实验中的屏幕视频的大小是16.8*16.8cm。视距保证大约90cm左右。
在每段视频播放完后会有问题,问题主要简单询问目标对象是否感受到了音画不同步的现象,回答是否即可。问题回答环节主要是为了保证目标对象的实验状态,同时这个结果最后可以作为目标对象行为数据进行分析,作为目标对象脑电情绪数据是否有效的一种辅助手段。问题结束后进入下一段视频,为了保证让目标对象的情绪恢复平静,视频播放之前会进行下一个的提示。
在实验中通过64通道的EEG放大器采集目标对象的初始EEG数据采样率为500Hz,被安置在EEG帽上的64个电极分别是:Fp1-2;AFz,3-4,7-8;Fz1-8;FC1-6;FT7-10;Cz,1-6;T7-8;CPz,1-6;TP7-10;Pz,1-8;POz3-4,7-8;Oz,1-2;Lz。这64个电极点位符合国际通用的10-20标准,每次实验需要根据目标对象的头型先判断使用脑电帽的型号,再根据目标对象的枕骨和眉心位置,以及左右耳垂的位置调整脑电帽至合适位置,并TP9和TP10两个电极作为整个平均电位的参考,在Fp1和Fp2之间是接地的电极GND,所有的电极在实验前需要打导电膏保证阻抗在10KΩ以下。
在本发明实施例中,步骤S104包括如下步骤:
步骤S11,对所述多个初始EEG数据进行预处理,得到多个目标EEG数据;
步骤S12,对所述多个目标EEG数据进行特征提取,得到多个小波包系数特征;
步骤S13,利用所述脑电情绪数据的小波包系数特征构建第一子数据集,以及利用所述情绪反应脑电数据的小波包系数特征构建第二子数据集。
需要说明的是,可以在Matlab和EEGlab的环境对初始EEG数据进行预处理,其中,预处理包括:头皮电极定位,重新选取参考电极,滤波,独立主成份分析和数据的裁剪。
在本发明实施例中,初始EEG数据中包括多个头皮电极信号,上述的多个头皮电极信号是由设置在目标对象头部的脑电帽采集到的,一般情况下,目标对象头部上将设置有32或64或128个各种型号的脑电帽,并按照国际通用的10-20对脑电帽进行放置。
优选地,在本申请中,在目标对象头部上将设置有64各种型号的脑电帽。
因此,步骤S11还包括如下步骤:
步骤S111,确定出每个所述头皮电极信号对应的电极在所述目标对象的头皮上的位置信息;
步骤S112,利用所述位置信息,确定出目标位置,并根据所述目标位置对应的电极的电势,确定出所述参考电势,其中,所述目标位置为所述目标对象的双耳处;或
步骤S113,计算出所述多个头皮电极信号所对应的电势的平均电势;
步骤S114,将所述平均电势确定为所述参考电势。
具体的,在将初始EEG数据导入EEGlab之后,EEGlab仅显示每一个脑电帽采集到的头皮电极信号的名称和数值,但是EEGlab并不能确定每个脑电帽在目标对象的头皮上的位置,因此,需要在EEGlab加载一个与头皮电极信号相匹配的位置信息,从而使得多个头皮电极位置不会发生偏差,进而确保每个头皮电极信号是合理有效的。
由于,采集到的头皮电极信号是一个个的数值,即各个头皮电极信号电极对应的位置跟参考电极之间的电位差,一般情况下,自动选取GND电极作为所有电极的参考电势点。
为了提高初始EEG数据的数据准确性,可以目标对象的双耳处对应的头皮电极信号的平均电势或多个头皮电极信号所对应的电势的平均电势作为参考电势。
在确定出参考电势之后,对初始EEG数据进行校正,从而得到中间EEG数据。
在得到中间EEG数据之后,需要对所述中间EEG数据进行滤波处理和裁剪处理,得到所述目标EEG数据。
具体的,步骤S13包括如下步骤:
步骤S131,对所述中间EEG数据进行滤波处理,得到完成滤波处理的中间EEG数据;
步骤S132,对所述完成滤波处理的中间EEG数据进行独立主成分分析,确定出所述完成滤波处理的中间EEG数据中的目标信号,其中,所述目标信号为所述完成滤波处理后的中间EEG数据中能量值最大的信号;
步骤S133,删除所述目标信号,得到所述目标EEG数据。
在本发明实施例中,由于初始EEG数据在采集过程中会受到各种各样的电磁噪声和工频噪声的影响,因此需要选择使用各种滤波器,以滤除这些噪声对脑电情绪数据的影响。
由于主成分分析(Principal Components Analysis,PCA)只对高斯分布的样本点有效,而ICA对于除高斯分布以外的其他分布有效,所以对脑电情绪数据一般使用ICA进行分析。同时由于ICA分析中隐因子数和特征数是相等的,所以中间EEG数据经过ICA转换后会获得与头皮电极信号的数量相等的独立特征信号,在这些特征信号之中眼动信号就是最大的噪声,可以根据结果将其删除。
删除中间EEG数据中的眼动信号之后得到的脑电情绪数据中将不存在眨眼的数据,但是由于删除的数据可能会将有用的数据一同删除,因此一般删除最大能量值的信号(即,目标信号)。
需要说明的是,在得到目标EEG数据之后,还可以对目标EEG数据再次进行裁剪,将目标EEG数据中不需要用到的通道信息以及某些时间段的信息,这时候我们就可以将它们剔除掉,不必纳入后续的分析中,从而降低后续分析的复杂度。
在本发明实施例中,步骤S106还包括如下步骤:
步骤S21,对所述目标EEG数据进行小波包分解,得到子带树,其中,每个子带包含一个或多个节点;
步骤S22,确定出每个子带的小波包系数;
步骤S23,基于所述每个子带的小波包系数,提取出所述小波包系数特征,其中,所述小波包系数特征包括:每个节点的小波能量,每个节点的小波熵,目标波段的能量递归效率,绝对功率。
在本发明实施例中,首先,利用如图2所示的小波包分解示意图,对目标EEG数据进行小波包分解,得到子带树。
然后,确定出每个子带的小波包系数,并根据每个子带的小波包系数,提取出小波包系数特征,其中,小波包系数特征包括:每个节点的小波能量,每个节点的小波熵,目标波段的能量递归效率,绝对功率。
具体的,每个节点的小波能量的计算公式如下:
其中,Ej,i表示在分解子带j上的第i个节点的能量值;ps(n,j,k)是小波包变换系数,Ej表示该层小波系数的总能量。一般情况下是计算各个节点的能量进行归一化处理,即计算各个节点的能量所占总能量的百分比。
每个节点的小波熵的计算公式如下:
首先,假设第i个节点包含的信号能量在该尺度中存在的概率为:
其中,第i个节点的小波熵为Si。
目标波段包括γ,δ、θ、α、β等波段,目标波段的能量递归效率计算公式如下:
其中,Egamma表示在γ波段上的能量值,Etotal表示子带小波系数的总能量。
绝对功率的计算公式如下:
在多个目标EEG数据对应的多个小波包系数特征之后,利用多个小波包系数特征构建初始EEG数据集。
接着利用迁移学习算法对第一子数据集和二子数据集进行处理,得到第三子数据集和四子数据集。
具体的,基于特征的迁移学习,迁移成分分析(Transfer Component Analysis,TCA)通过假设存在一个特征映射使得原本不相等的P(Xs)和P(Xt),在映射后的数据分布和近似相等,如果边缘分布接近,那么条件分布也会接近,即最后结果的条件分布
为了找到这个合适的就是解决最小化源域和目标域的距离,对于距离问题,常用的距离计算方式有欧氏距离、余弦相似度、马氏距离等。TCA使用的是最大均值差异(Maximum Mean Discrepancy,MMD)。如果m和n分别表示源域和目标域的样本个数,那么MMD可以表示为:
在本发明实施例中,步骤S108包括如下步骤:
步骤S31,基于所述第三子数据集构建支持向量机模型;
步骤S32,将所述第四子数据集输入所述支持向量机模型,得到所述质量退化的视频数据的质量评价等级。
在本发明实施例中,在得到第三子数据集和第四子数据集之后,利用第三子数据集构建支持向量机模型,然后将第四子数据集输入支持向量机模型,以使支持向量机模型根据第四子数据集确定出质量退化的视频数据的质量评价等级。
下面将结合具体实例对上述方法进行说明:
为了验证本发明的实验效果,脑电情绪数据使用了公开的数据集eNTERFACE2006Project#7,本次处理的源域数据集使用的是eNTERFACE2006Project#7数据集的数据,而目标域的数据集使用的是自己采集得到的音画不同步脑电数据。两份数据集使用的EEG信号都是由64通道的EEG放大器采集得到,由于源域数据集采集的频率最低只有256Hz的频率,所以所有的数据集统一进行降采样至256Hz。被安置在EEG帽上的64个电极分别是:Fpz,1-2;AFz,3-4,7-8;Fz1-8;FCz,1-6;FT7-8;Cz,1-6;T7-8;CPz,1-6;TP7-8;Pz,1-10;POz3-4,7-8;Oz,1-2;Lz。这64个电极点位同样符合国际通用的10-20标准。通过两份数据集通道的对比,最终使用了52个电极,排除了Fpz,1-2;AFz,7,8;F5-8;Cz;FCz这12个电极。但是由于两份数据集的通道顺序不一致,还需要在特征提取结束后进行通道顺序的重排序。
两份数据首先使用Matlab和EEGlab读取,进行头皮定位。然后是电位平均,这里由于源域的数据集没有TP9和TP10两个电极,所以依然使用全局的电位平均。对于滤波同样的采用的是4-45Hz的带通滤波器滤除信号中的工频噪声,最后进行肌电信号和眼动信号的去除,同样使用ICA进行主成分分析,根据Adjust和自己的经验进行杂波数据的剔除。
预处理结束后便是进行数据裁剪,对于目标域的数据集和源域进行同样操作的裁剪。对目标域的每位被试者一共裁剪出来3*19*5=285片段,将裁剪好的片段和前一章一样进行小波包分解,分别计算了能量、小波熵、以及绝对功率等特征,获得了和源域同样的特征。
模型重新进行音画不同步等级划分的准确率却有了明显的上升,其中,所有分类器的准确率均超过了40%,其中随机森林和基于多项式的SVM模型提升明显,均超过了50%的正确率,后者的平均正确率达到了54%左右,相比于未经过迁移的SVM有了显著的上升。
实施例二:
本发明实施例还提供了一种视频数据的质量等级确定装置,该视频数据的质量等级确定装置用于执行本发明实施例上述内容所提供的视频数据的质量等级确定方法,以下是本发明实施例提供的视频数据的质量等级确定装置的具体介绍。
如图3所示,图3为上述视频数据的质量等级确定装置的示意图,该数据质量的评价包括:获取单元10,第一构建单元20,第二构建单元30和执行单元40。
所述获取单元10,用于获取多个初始EEG数据,所述初始EEG数据包括:目标对象观看质量退化的视频数据生成的脑电情绪数据,所述目标对象观看情绪图片或情绪视频生成的情绪反应脑电数据;
所述第一构建单元20,用基于所述多个初始EEG数据确定初始EEG数据集,其中,所述初始EEG数据集中包括第一子数据集和第二子数据集,所述第一子数据集为基于所述情绪反应脑电数据构建的数据集,所述第二子数据集为基于所述脑电情绪数据构建的数据集;
所述第二构建单元30,利用迁移学习算法对所述第一子数据集和所述第二子数据集进行处理,得到第三子数据集和第四子数据集;
所述执行单元40,用于基于所述第三子数据集和所述第四子数据集,确定所述质量退化的视频数据的质量评价等级。
在本发明实施例中,在现有的基于主观质量评价的方法中,引入了脑电情绪数据,摆脱了目标对象主观打分由于偏见、历史背景导致的不客观性,同时利用迁移学习将质量退化的视频数据和主观质量分数评级起来,相比于迁移之前直接使用情绪分类模型对质量退化的视频数进行质量评价的方法,结合迁移学习方法的质量退化的视频数据质量评价方法的准确率得到了一定的提升,达到了提高了对质量退化的视频数据质量的评价准确率的目的,进而解决了现有技术中利用情绪分类模型确定视频质量等级,得到的结果准确性较低的技术问题,从而实现了提高了对质量退化的视频数据质量的评价准确率的技术效果。
实施例三:
本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
参见图4,本发明实施例还提供一种电子设备100,包括:处理器50,存储器51,总线52和通信接口53,所述处理器50、通信接口53和存储器51通过总线52连接;处理器50用于执行存储器51中存储的可执行模块,例如计算机程序。
其中,存储器51可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器51用于存储程序,所述处理器50在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中,或者由处理器50实现。
处理器50可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器51中的信息,结合其硬件完成上述方法的步骤。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种视频数据的质量等级确定方法,其特征在于,包括:
获取多个初始EEG数据,其中,所述初始EEG数据包括:目标对象观看质量退化的视频数据生成的脑电情绪数据,所述目标对象观看情绪图片或情绪视频生成的情绪反应脑电数据;
基于所述多个初始EEG数据确定初始EEG数据集,其中,所述初始EEG数据集中包括第一子数据集和第二子数据集,所述第一子数据集为基于所述情绪反应脑电数据构建的数据集,所述第二子数据集为基于所述脑电情绪数据构建的数据集;
利用迁移学习算法对所述第一子数据集和所述第二子数据集进行处理,得到第三子数据集和第四子数据集;
基于所述第三子数据集和所述第四子数据集,确定所述质量退化的视频数据的质量评价等级;
其中,基于所述第三子数据集和第四子数据集,确定所述质量退化的视频数据的质量评价等级,包括:
基于所述第三子数据集构建支持向量机模型;
将所述第四子数据集输入所述支持向量机模型,得到所述质量退化的视频数据的质量评价等级。
2.根据权利要求1所述的方法,其特征在于,基于所述多个初始EEG数据确定初始EEG数据集,包括:
对所述多个初始EEG数据进行预处理,得到多个目标EEG数据;
对所述多个目标EEG数据进行特征提取,得到多个小波包系数特征;
利用所述脑电情绪数据的小波包系数特征构建第一子数据集,以及利用所述情绪反应脑电数据的小波包系数特征构建第二子数据集。
3.根据权利要求2所述的方法,其特征在于,对所述多个初始EEG数据进行预处理,得到多个目标EEG数据,包括:
确定出所述初始EEG数据的参考电势;
基于所述参考电势,对所述初始EEG数据进行校准,得到中间EEG数据;
对所述中间EEG数据进行滤波处理和裁剪处理,得到所述目标EEG数据。
4.根据权利要求3所述的方法,其特征在于,所述初始EEG数据中包括多个头皮电极信号;
确定出所述初始EEG数据的参考电势,包括:
确定出每个所述头皮电极信号对应的电极在所述目标对象的头皮上的位置信息;
利用所述位置信息,确定出目标位置,并根据所述目标位置对应的电极的电势,确定出所述参考电势,其中,所述目标位置为所述目标对象的双耳处;或
计算出所述多个头皮电极信号所对应的电势的平均电势;
将所述平均电势确定为所述参考电势。
5.根据权利要求3所述的方法,其特征在于,对所述中间EEG数据进行滤波处理和裁剪处理,得到所述目标EEG数据,包括:
对所述中间EEG数据进行滤波处理,得到完成滤波处理的中间EEG数据;
对所述完成滤波处理的中间EEG数据进行独立主成分分析,确定出所述完成滤波处理的中间EEG数据中的目标信号,其中,所述目标信号为所述完成滤波处理后的中间EEG数据中能量值最大的信号;
删除所述目标信号,得到所述目标EEG数据。
6.根据权利要求2所述的方法,其特征在于,对所述多个目标EEG数据进行特征提取,得到多个小波包系数特征,包括:
对所述目标EEG数据进行小波包分解,得到子带树,其中,每个子带包含一个或多个节点;
确定出每个子带的小波包系数;
基于所述每个子带的小波包系数,提取出所述小波包系数特征,其中,所述小波包系数特征包括:每个节点的小波能量,每个节点的小波熵,目标波段的能量递归效率,绝对功率。
7.一种视频数据的质量等级确定装置,其特征在于,包括:获取单元,第一构建单元,第二构建单元和执行单元,其中,
所述获取单元,用于获取多个初始EEG数据,所述初始EEG数据包括:目标对象观看质量退化的视频数据生成的脑电情绪数据,所述目标对象观看情绪图片或情绪视频生成的情绪反应脑电数据;
所述第一构建单元,用基于所述多个初始EEG数据确定初始EEG数据集,其中,所述初始EEG数据集中包括第一子数据集和第二子数据集,所述第一子数据集为基于所述情绪反应脑电数据构建的数据集,所述第二子数据集为基于所述脑电情绪数据构建的数据集;
所述第二构建单元,利用迁移学习算法对所述第一子数据集和所述第二子数据集进行处理,得到第三子数据集和第四子数据集;
所述执行单元,用于基于所述第三子数据集和所述第四子数据集,确定所述质量退化的视频数据的质量评价等级;
其中,所述执行单元,用于:
基于所述第三子数据集构建支持向量机模型;
将所述第四子数据集输入所述支持向量机模型,得到所述质量退化的视频数据的质量评价等级。
8.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至6中任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
9.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至6中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011068969.4A CN112203083B (zh) | 2020-09-30 | 2020-09-30 | 一种视频数据的质量等级确定方法和装置 |
US17/489,827 US11464442B2 (en) | 2020-09-30 | 2021-09-30 | Method and apparatus for determining quality grade of video data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011068969.4A CN112203083B (zh) | 2020-09-30 | 2020-09-30 | 一种视频数据的质量等级确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112203083A CN112203083A (zh) | 2021-01-08 |
CN112203083B true CN112203083B (zh) | 2021-11-09 |
Family
ID=74013586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011068969.4A Active CN112203083B (zh) | 2020-09-30 | 2020-09-30 | 一种视频数据的质量等级确定方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11464442B2 (zh) |
CN (1) | CN112203083B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255786B (zh) * | 2021-05-31 | 2024-02-09 | 西安电子科技大学 | 基于脑电信号和目标显著特性的视频质量评价方法 |
CN113255789B (zh) * | 2021-05-31 | 2023-01-24 | 西安电子科技大学 | 基于对抗网络和多被试脑电信号的视频质量评价方法 |
CN115022617B (zh) * | 2022-05-30 | 2024-04-19 | 西安电子科技大学 | 基于脑电信号和时空多尺度联合网络的视频质量评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816646A (zh) * | 2019-01-21 | 2019-05-28 | 武汉大学 | 一种基于退化决策逻辑的无参考图像质量评价方法 |
EP3355766B1 (en) * | 2015-09-30 | 2019-08-21 | AB Medica S.p.A. | Device for recording video-electroencephalograms |
CN111510710A (zh) * | 2020-04-27 | 2020-08-07 | 西安电子科技大学 | 基于脑电信号和时空失真的视频质量评价方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102337966B1 (ko) * | 2017-05-19 | 2021-12-13 | 삼성전자주식회사 | 데이터를 압축하는 전자 장치 및 그 동작 방법 |
CN109920498A (zh) * | 2018-12-28 | 2019-06-21 | 清华大学 | 基于情绪脑电响应相似性的人际关系预测方法 |
-
2020
- 2020-09-30 CN CN202011068969.4A patent/CN112203083B/zh active Active
-
2021
- 2021-09-30 US US17/489,827 patent/US11464442B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3355766B1 (en) * | 2015-09-30 | 2019-08-21 | AB Medica S.p.A. | Device for recording video-electroencephalograms |
CN109816646A (zh) * | 2019-01-21 | 2019-05-28 | 武汉大学 | 一种基于退化决策逻辑的无参考图像质量评价方法 |
CN111510710A (zh) * | 2020-04-27 | 2020-08-07 | 西安电子科技大学 | 基于脑电信号和时空失真的视频质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220095988A1 (en) | 2022-03-31 |
CN112203083A (zh) | 2021-01-08 |
US11464442B2 (en) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112203083B (zh) | 一种视频数据的质量等级确定方法和装置 | |
EP3469584B1 (en) | Neural decoding of attentional selection in multi-speaker environments | |
CN108159702B (zh) | 基于多人语音游戏处理方法和装置 | |
CN108310759B (zh) | 信息处理方法及相关产品 | |
WO2019153972A1 (zh) | 信息推送方法及相关产品 | |
JP5843401B2 (ja) | コンテンツ情報提供装置、コンテンツ情報提供システム、コンテンツ情報提供方法及びコンテンツ情報提供プログラム | |
CN108389077B (zh) | 电子装置、信息推荐方法及相关产品 | |
JP2015229040A (ja) | 感情分析システム、感情分析方法および感情分析プログラム | |
US20120072213A1 (en) | Speech sound intelligibility assessment system, and method and program therefor | |
CN110765868A (zh) | 唇读模型的生成方法、装置、设备及存储介质 | |
CN110134235B (zh) | 一种引导式互动的方法 | |
CN111401198B (zh) | 观众情绪识别方法、装置及*** | |
CN113707183A (zh) | 一种视频中的音频处理方法及装置 | |
CN112200072A (zh) | 一种数据质量的评价方法和装置 | |
CN111317467A (zh) | 脑电信号分析方法、装置、终端设备及存储介质 | |
CN108958699B (zh) | 语音拾取方法及相关产品 | |
Dufour et al. | On the locus of talker-specificity effects in spoken word recognition: an ERP study with dichotic priming | |
CN113178195B (zh) | 一种基于声音诱发脑电信号的说话人识别方法 | |
Song et al. | How different kinds of sound in videos can influence gaze | |
RU2704547C1 (ru) | Способ удаленного сбора и групповой обработки психофизиологических реакций при предъявлении различной информации | |
CN113157101B (zh) | 碎片化阅读习惯识别方法、装置、可读介质及电子设备 | |
JP2018015212A (ja) | 脳波信号処理システム、脳波信号処理方法及びプログラム | |
CN113662565A (zh) | 一种基于脑电特征的视频播放质量评价方法及装置 | |
CN112515684A (zh) | 一种个性化干预音乐推荐*** | |
Grilo et al. | Artifact removal in eeg based emotional signals through linear and nonlinear methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |