CN112773378B - 一种特征权重自适应学习的脑电情绪识别方法 - Google Patents
一种特征权重自适应学习的脑电情绪识别方法 Download PDFInfo
- Publication number
- CN112773378B CN112773378B CN202110075007.XA CN202110075007A CN112773378B CN 112773378 B CN112773378 B CN 112773378B CN 202110075007 A CN202110075007 A CN 202110075007A CN 112773378 B CN112773378 B CN 112773378B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- formula
- emotion recognition
- theta
- equation
- 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
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种特征权重自适应学习的脑电情绪识别方法。本发明步骤如下:1、多个被试者分别在不同的情绪类别任务下进行脑电数据采集。2、对步骤1所得的所有脑电数据进行预处理和特征提取。3、建立机器学习模型以实现特征权重自适应学习的脑电情绪识别。4、求得特征权重因子Θ、特征权重W和偏差b。5、对新的被试者脑电的数据进行情绪类别预测。本发明优化GFIL模型后,获得的特征权重因子为我们提供了执行特征排名和选择的有效工具,然后可以删除多余且次要的特征。本发明将得到的特征权重因子与人情绪识别相关联可以得出情绪识别中频段和导联重要性的判断。
Description
技术领域
本发明属于脑电信号处理技术领域,具体涉及一种特征权重自适应学习的脑电情绪识别方法。
背景技术
情感是由外界刺激所诱发的一种心理和生理反应。传统的情感识别是基于面部表情、语言语调、体态行为等易于掩饰或伪装的外部表现,而脑电信号是由大脑皮层产生的一种特殊的电位活动,直接来源于中枢神经***活动,因此脑电信号能够更加客观的反应不同情感的神经认知加工过程。目前,基于脑电的情感识别工作在国内外研究中都已有一定的进展,其典型的过程为“刺激素材诱发脑电采集-脑电信号预处理与特征提取-情绪识别”。例如,台湾大学Yuan-Pin Lin研究组采用支持向量机模型进行脑电信号的四分类识别(喜怒哀乐),确立了30个脑电信号与情感识别最相关的特征,并验证了对于情感识别作用最大的脑区位于额叶和顶叶。康斯坦茨大学的Matthias M Muller等用情感图片作为刺激测试了大脑不同半球在收到情感刺激是脑电在γ频段范围的特征。
总体而言,关于情感识别的脑电特征重要性自适应学习,以及关键频带与导联的自动判定相关研究很少。现有的大多数研究只是简单地将从不同频段提取的脑电信号特征串联起来,以形成特征向量(样本),并将其用作机器学习模型的输入。对于关键频带的识别,现有的方法基本上采用的是一种“Try-and-error(试错法)”,其思路为:基于某一频段(导联)提取的脑电信号特征来进行情绪识别,并认定情绪识别效果好的频段(导联)为情绪识别的关键频段(导联)。该类方法具有明显的手动特性,缺乏灵活性并且忽略了来源于不同频段(导联)特征之间的互补特性。本发明提出一种基于特征权重自适应学习的情绪识别方法,一方面可以有区别的对待不同维度的脑电特征以提升情绪识别效果,另一方面可以自动的实现对基于谱特征(如功率谱密度、微分熵等)的情绪脑电关键频段(导联)进行判定,因此相较于传统的方法,本发明具有更加明显的应用前景。
发明内容
本发明的目的在于提供一种特征权重自适应学习的脑电情绪识别方法。通过该方法可以获得特征权重权因子θ,特征权重因子可以得到频段和导联的重要性判断。此外使用得到的特征权重因子来进行情绪识别可以得到更高的精度。
本发明的具体步骤如下:
步骤1、多个被试者分别在不同的情绪类别任务下进行脑电数据采集。
步骤2、对步骤1所得的所有脑电数据进行预处理和特征提取。
步骤3、建立机器学习模型以实现特征权重自适应学习的脑电情绪识别。
3-1.将特征权重因子矩阵Θ嵌入到最小二乘模型中,得到“特征自适应学习情绪识别方法”的目标函数如式(3)所示:
式(4)中,n为训练样本个数;表示2范数的平方计算;xi、xj是样本矩阵X内的任意两个元素。为二元图相似性矩阵;从欧氏距离的角度,如果xi和xj互为k近邻且具有相同的情感状态,则它们之间的权重sij为1;否则,sij为0。
步骤4、根据如式(3)所示的目标函数,通过固定其他变量仅保留一个变量的方法来得到所有变量的更新规则,进而求得特征权重因子Θ、特征权重W和偏差b。
步骤5、使用有步骤4学习得到的特征权重因子Θ、特征权重W和偏差b对新的被试者脑电的数据进行情绪类别预测。
作为优选,步骤四执行后,筛选出后续脑电数据采集时需要提取的导联和频段,具体过程如下:
计算各频段的重要性指标ω(i)如式(12)所示。
ω(i)=θ(i-1)*k+1+θ(i-1)*k+2+…θ(i-1)*k+k 式(12)
其中,i=1,2,3,4,5分别代表Delta,Theta,Alpha,Beta和Gamma的五个频段,k表示导联数量。θ(i-1)*k+k为特征权重因子向量θ的第(i-1)*k+k个元素。
ψ(j)=θj+θj+k+θj+2*k+θj+3*k+θj+4*k 式(13)
其中,j=1,2,…,k分别代表第1个导联至第k个导联的k个脑电通道。θj+i*k为特征权重因子向量θ的第j+i*k个元素。
根据各频段的重要性指标ω(i)和各导联的重要性指标ψ(j)的数值大小,筛选出情绪识别需要提取的导联和频段。未被筛选到的导联和频段在后续脑电数据采集中不提取。
作为优选,步骤4中求取特征权重因子Θ的具体过程如下:。
4-1.通过固定W和θ来更新b,这时,式(3)可以被写成如式(5)所示。
对式(5)中的b求导并且令导数为0,我们可以得到b的更新规则为式(6):
4-2.通过固定b和θ来更新W,这时,式(3)可以被写成如式(7)所示。
ΘX(XTΘW+1bT-Y)+αW+βΘXLXTΘW=0 式(7)
式(7)中,α、β分别为两个调节参数;L为图拉普拉斯矩阵。
同样通过求导的方式可以得到W的更新规则为式(8):
W==(ΘX(I+βL)XTΘ+αI)-1(ΘX(1bT-Y)) 式(8)
式(8)中,I为单位矩阵。
4-3.通过固定W和b来更新θ,式(3)可以被写成如式(9)所示。
等价于:
其中,Tr(·)为矩阵的迹运算;
作为优选,所述的情绪类别包括高兴、悲伤、中性、恐惧。
作为优选,步骤1中,使用情绪素材对受试者进行情绪诱发。所述的情绪素材包含明显情感诱导的图片、音频或视频。
作为优选,步骤2中预处理的过程如下:
2-1.将脑电数据下采样至200Hz后并对其进行带通滤波至1-50Hz范围。根据5频段法,将其划分为Delta、Theta、Alpha、Beta和Gamma五个频段
2-2.针对这5个频段的脑电数据分别进行时间窗口为4秒且不重叠的短时傅立叶变换,提取微分熵特征h(X)如式(1)所示。
h(X)=-∫x f(x)ln(f(x))dx (1)
式(1)中,X为输入的样本矩阵,x为输入的样本矩阵中的元素;f(x)为概率密度函数。
经过更新后的微分熵特征h(X)如式(2)所示。
式(2)中,σ为概率密度函数的标准差;μ为概率密度函数的期望。
作为优选,所述的脑电数据采集采用62导联,选用5个频段。5个频段分别为1-4Hz、4-8Hz、8-14Hz、14-31Hz、31-50Hz。
本发明具有的有益效果是:
1、本发明获得的特征权重因子提供了执行特征排名和选择的有效工具,然后可以删除多余且次要的特征,从而提高情绪识别的准确率,并降低计算量。
2、本发明将得到的特征权重因子与人情绪识别相关联可以得出情绪识别中频段和导联重要性的判断。
附图说明
图1为本发明的流程示意图;
图2为本发明中特征权重因子Θ作用的示意图;
图3为本发明检测效果与现有技术的对比示意图。
具体实施方式
以下结合附图对本发明作进一步说明。
本发明解决在情感识别中脑电信号的重要性特征挖掘这一重要问题基于如下的出发点:我们认为在情感识别中,脑电信号中某些频段和某些导联对情感识别起的作用更大,也就是说在情感识别中,这些频段和导联所对应的脑电信号完全可以取缔原来的全部特征,并且消去了一些噪声频段和导联以取得更好的识别精度。因此,我们可以减少情感识别中脑电信号采集的频段和导联数量,这对情感识别具有重要意义。
如图1所示,一种特征权重自适应学习的脑电情绪识别方法,具体步骤如下:
步骤1、根据情绪素材(本实施例中使用包含明显情感诱导的图片、音频或视频)采集受试者的诱发情感脑电数据。
对N个受试者均在M个不同的环境或时间下进行脑电数据采集,得到N·M组脑电数据,每一组数据的数据量均为d*n,其中,d是每组数据的维度,n是单次采集获得的与时间有关的脑电数据样本个数。一组数据包括一次采集中获得的多个时刻的脑电数据。统一受试者在测试任务中对应的被测任务类别,每个受试者均完成所有的被测任务类别的测试。在本发明的实施中,被测任务类别为被测试者的情绪类别,包括高兴、悲伤、中性、恐惧四种情绪类别。此外,例如疲劳状态监测等也能够作为被测任务类别。
“不同的环境或时间”表示同意受试者采集M组脑电数据时,时间段可能分布在不同的日期;这些不同批次的实验所做的内容是相同的,但是他们在不同日期所处的状态可能是不同的;这反应了脑电的本质特征不会随着时间的或实验场景的改变而出现较大改变。这些时间的不同,或者实验时的场景的不同即为差异化部分。
步骤2、对步骤1所得的所有脑电数据进行预处理和特征提取。因为本发明涉及到情绪关键频段与导联的判定,因此在后续的说明中基于62导联、5频段(Delta(1-4Hz),Theta(4-8Hz),Alpha(8-14Hz),Beta(14-31Hz)和Gamma(31-50Hz)),并提取微分熵特征来进行。在实际应用中,导联数目取决于数据采集时候受试者佩戴的脑电帽;频段的划分也遵循具有生理学意义的5频段划分;脑电信号最常用的特征为功率谱密度和微分熵。人的脑电信号是非常微弱的,这就意味着脑电信号易受干扰,采集的结果很难直接做实验,这就对脑电信号预处理提出了要求:
预处理的过程如下:
2-1.将脑电数据下采样至200Hz后并对其进行带通滤波至1-50Hz范围。根据5频段法,将其划分为Delta、Theta、Alpha、Beta和Gamma五个频段
2-2.针对这5个频段的脑电数据分别进行时间窗口为4秒且不重叠的短时傅立叶变换,提取微分熵特征。微分熵特征h(X)定义为:
h(X)=-∫xf(x)ln(f(x))dx (1)
式(1)中,X为输入的样本矩阵(即某一个频段的脑电数据),x为输入的样本矩阵中的元素;f(x)为概率密度函数。对于遵循高斯分布的脑电时间序列X,其微分熵特征h(X)可以计算为式(2)所示:
式(2)中,σ为概率密度函数的标准差;μ为概率密度函数的期望。
步骤3、建立机器学习模型以实现特征权重自适应学习的脑电情绪识别。在该发明中,表示样本矩阵;其中,d为脑电样本特征维度,n为训练样本个数;属于对角矩阵的特征权重因子矩阵表示特征权重因子并约束对角线元素具有非负与归一化特性,其第i个对角线元素θii用以刻画第i维特征的重要性。那么,用XTΘ代替X并将其嵌入最小二乘学习模型中,便得到如式(3)所示的特征权重自适应学习的脑电情绪识别模型。
3-1.将特征权重因子矩阵Θ嵌入到最小二乘模型中,得到“特征自适应学习情绪识别方法”的目标函数如式(3)所示:
式(3)中,θ=diag(Θ)为特征权重因子向量,是由Θ对角线元素组成的向量,diag(·)为矩阵取对角线函数,W和b分别为最小二乘学***方计算。
步骤4、对如式(3)所示的目标函数进行优化,即推导出模型涉及的三个变量W、θ、b的更新规则。总体上,可以在交替更新的框架下进行,即固定其他变量,优化其中一个变量。
接下来,我们可以通过固定其他变量仅保留一个变量的方法来得到所有变量的更新规则,进一步求得特征权重因子Θ。
4-1.通过固定W和θ来更新b,这时,式(3)可以被写成如式(5)所示。
对式(5)中的b求导并且令导数为0,我们可以得到b的更新规则为式(6):
4-2.通过固定b和θ来更新W,这时,式(3)可以被写成如式(7)所示。
ΘX(XTΘw+1bT-Y)+αW+βΘXLXTΘW=0 (7)
式(7)中,α、β分别为两个调节参数;L为图拉普拉斯矩阵。
同样通过求导的方式可以得到W的更新规则为式(8):
W=(ΘX(I+βL)XTΘ+αI)-1(ΘX(1bT-Y)) (8)
式(8)中,I为单位矩阵。
4-3.通过固定W和b来更新θ,式(3)可以被写成如式(9)所示。
等价于:
其中,Tr(·)为矩阵的迹运算;
特征权重因子矩阵Θ反映各导联、各频段数据的重要程度;嵌入到最小二乘模型后,即可依据不同数据的重要程度,自动进行运算,预测样本矩阵对应的情绪类型。
步骤5、对被试者进行脑电数据采集;使用有步骤4学习得到的变量Θ、W和b对测得被试者脑电数据进行情绪类别预测;因为预测过程中利用Θ区别了各维度特征的重要性,因此可以有效地提交情绪识别精度。
步骤6、基于各维度特征与相应频段(导联)的对应关系,通过模型学习获得的θ来进行情感识别关键脑电频段(导联)的判定。
6-1.根据如下公式可以定量地计算第i个频段的重要性指标ω(i)
ω(i)=θ(i-1)*k+1+θ(i-1)*k+2+…+θ(i-1)*k+k (12)
其中,i=1,2,3,4,5分别代表Delta,Theta,Alpha,Beta和Gamma的五个频段,k表示导联数量。θ(i-1)*k+k为特征权重因子向量θ的第(i-1)*k+k个元素。
ψ(j)=θj+θj+k+θj+2*k+θj+3*k+θj+4*k (13)
其中,j=1,2,…,k分别代表导联1至导联k的k个脑电通道。θj+i*k为特征权重因子向量θ的第j+i*k个元素。
根据各频段的重要性ω(i)和各导联的重要性指标ψ(j),筛选情绪识别时需要提取的导联和频段,从而降低采样的成本和数据处理的速度。
通过以上方法我们获得了自适应权重因子Θ。根据所得的Θ我们也得到了在人的情感识别中各个频段和导联的重要性情况。同时,根据Θ进行情感识别,我们得到了更高的精度。我们将本发明中提出的模型与现有技术(a:1NN、b:LSR、c:SVM、d:FIL、e:GFIL)进行对比,其中的GFIL即为本发明中提出的模型,对比结果如下图3,其中横坐标轴为样本实际情绪类型,纵轴表示被预测的情绪类型,对角线元素为情绪识别的正确率,其他部分为识别错误率。结果显示,本发明中提出的模型在人的情绪识别精度上有明显优势。
Claims (7)
1.一种特征权重自适应学习的脑电情绪识别方法,其特征在于:步骤1、多个被试者分别在不同的情绪类别任务下进行脑电数据采集;
步骤2、对步骤1所得的所有脑电数据进行预处理和特征提取;
步骤3、建立机器学习模型以实现特征权重自适应学习的脑电情绪识别;
3-1.将特征权重因子矩阵Θ嵌入到最小二乘模型中,得到“特征自适应学习情绪识别方法”的目标函数如式(3)所示:
式(4)中,n为训练样本个数;表示2范数的平方计算;xi、xj是样本矩阵X内的任意两个元素;为二元图相似性矩阵;从欧氏距离的角度,如果xi和xj互为k近邻且具有相同的情感状态,则它们之间的权重sij为1;否则,sij为0;
步骤4、根据如式(3)所示的目标函数,通过固定其他变量仅保留一个变量的方法来得到所有变量的更新规则,进而求得特征权重因子Θ、特征权重W和偏差b;
步骤5、使用有步骤4学习得到的特征权重因子Θ、特征权重W和偏差b对新的被试者脑电的数据进行情绪类别预测。
2.根据权利要求1所述的一种特征权重自适应学习的脑电情绪识别方法,其特征在于:步骤四执行后,筛选出后续脑电数据采集时需要提取的导联和频段,具体过程如下:
计算各频段的重要性指标ω(i)如式(12)所示;
ω(i)=θ(i-1)*k+1+θ(i-1)*k+2+…+θ(i-1)*k+k 式(12)
其中,i=1,2,3,4,5分别代表Delta,Theta,Alpha,Beta和Gamma的五个频段,k表示导联数量;θ(i-1)*k+k为特征权重因子向量θ的第(i-1)*k+k个元素;
ψ(j)=θj+θj+k+θj+2*k+θj+3*k+θj+4*k 式(13)
其中,j=1,2,…,k分别代表第1个导联至第k个导联的k个脑电通道;θj+i*k为特征权重因子向量θ的第j+i*k个元素;
根据各频段的重要性指标ω(i)和各导联的重要性指标ψ(j)的数值大小,筛选出情绪识别需要提取的导联和频段;未被筛选到的导联和频段在后续脑电数据采集中不提取。
3.根据权利要求1所述的一种特征权重自适应学习的脑电情绪识别方法,其特征在于:步骤4中求取特征权重因子Θ的具体过程如下:
4-1.通过固定W和θ来更新b,这时,式(3)可以被写成如式(5)所示;
对式(5)中的b求导并且令导数为0,我们可以得到b的更新规则为式(6):
4-2.通过固定b和θ来更新W,这时,式(3)可以被写成如式(7)所示;
ΘX(XTΘW+1bT-Y)+αW+βΘXLXTΘW=0 式(7)
式(7)中,α、β分别为两个调节参数;L为图拉普拉斯矩阵;
同样通过求导的方式可以得到W的更新规则为式(8):
W=(ΘX(I+βL)XTΘ+αI)-1(ΘX(1bT-Y)) 式(8)
式(8)中,I为单位矩阵;
4-3.通过固定W和b来更新θ,式(3)可以被写成如式(9)所示;
等价于:
其中,Tr(·)为矩阵的迹运算;
4.根据权利要求1所述的一种特征权重自适应学习的脑电情绪识别方法,其特征在于:所述的情绪类别包括高兴、悲伤、中性、恐惧。
5.根据权利要求1所述的一种特征权重自适应学习的脑电情绪识别方法,其特征在于:步骤1中,使用情绪素材对受试者进行情绪诱发;所述的情绪素材包含明显情感诱导的图片、音频或视频。
6.根据权利要求1所述的一种特征权重自适应学习的脑电情绪识别方法,其特征在于:步骤2中预处理的过程如下:
2-1.将脑电数据下采样至200Hz后并对其进行带通滤波至1-50Hz范围;根据5频段法,将其划分为Delta、Theta、Alpha、Beta和Gamma五个频段
2-2.针对这5个频段的脑电数据分别进行时间窗口为4秒且不重叠的短时傅立叶变换,提取微分熵特征h(X)如式(1)所示;
h(X)=-∫xf(x)ln(f(x))dx (1)
式(1)中,X为输入的样本矩阵,x为输入的样本矩阵中的元素;f(x)为概率密度函数;
经过更新后的微分熵特征h(X)如式(2)所示;
式(2)中,σ为概率密度函数的标准差;μ为概率密度函数的期望。
7.根据权利要求1所述的一种特征权重自适应学习的脑电情绪识别方法,其特征在于:所述的脑电数据采集采用62导联,选用5个频段;5个频段分别为1-4Hz、4-8Hz、8-14Hz、14-31Hz、31-50Hz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110075007.XA CN112773378B (zh) | 2021-01-20 | 2021-01-20 | 一种特征权重自适应学习的脑电情绪识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110075007.XA CN112773378B (zh) | 2021-01-20 | 2021-01-20 | 一种特征权重自适应学习的脑电情绪识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112773378A CN112773378A (zh) | 2021-05-11 |
CN112773378B true CN112773378B (zh) | 2022-05-17 |
Family
ID=75757283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110075007.XA Active CN112773378B (zh) | 2021-01-20 | 2021-01-20 | 一种特征权重自适应学习的脑电情绪识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112773378B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113208594A (zh) * | 2021-05-12 | 2021-08-06 | 海南热带海洋学院 | 一种基于脑电信号时空功率谱图的情绪特征表示方法 |
CN113729711B (zh) * | 2021-09-30 | 2023-10-13 | 深圳航天科技创新研究院 | 脑电信号分析方法、装置、设备及存储介质 |
CN114947852B (zh) * | 2022-06-14 | 2023-01-10 | 华南师范大学 | 一种多模态情感识别方法、装置、设备及存储介质 |
CN115905837B (zh) * | 2022-11-17 | 2023-06-30 | 杭州电子科技大学 | 异常自动检测的半监督自适应标记回归脑电情感识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805089A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态的情绪识别方法 |
CN111067513A (zh) * | 2019-12-11 | 2020-04-28 | 杭州电子科技大学 | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 |
CN112101152A (zh) * | 2020-09-01 | 2020-12-18 | 西安电子科技大学 | 一种脑电情感识别方法、***、计算机设备、可穿戴设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10177947B2 (en) * | 2015-07-24 | 2019-01-08 | Brian G. Agee | Interference-excising diversity receiver adaptation using frame synchronous signal features and attributes |
-
2021
- 2021-01-20 CN CN202110075007.XA patent/CN112773378B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805089A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态的情绪识别方法 |
CN111067513A (zh) * | 2019-12-11 | 2020-04-28 | 杭州电子科技大学 | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 |
CN112101152A (zh) * | 2020-09-01 | 2020-12-18 | 西安电子科技大学 | 一种脑电情感识别方法、***、计算机设备、可穿戴设备 |
Non-Patent Citations (1)
Title |
---|
心理旋转视觉刺激阶段的微状态编码研究;汪露雲等;《杭州电子科技大学学报(自然科学版)》;20170531;第37卷(第3期);40-44 * |
Also Published As
Publication number | Publication date |
---|---|
CN112773378A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112773378B (zh) | 一种特征权重自适应学习的脑电情绪识别方法 | |
Yuan et al. | Patients’ EEG data analysis via spectrogram image with a convolution neural network | |
Ma et al. | Resting state EEG-based biometrics for individual identification using convolutional neural networks | |
CN110070105B (zh) | 基于元学习实例快速筛选的脑电情绪识别方法、*** | |
CN113662545B (zh) | 一种基于情绪脑电信号和多任务学习的人格评估方法 | |
Bouaziz et al. | Epileptic seizure detection using a convolutional neural network | |
CN113705398B (zh) | 基于卷积-长短期记忆网络音乐脑电时空特征分类方法 | |
Agarwal et al. | Classification of alcoholic and non-alcoholic EEG signals based on sliding-SSA and independent component analysis | |
CN115359909A (zh) | 一种基于注意力机制的癫痫发作检测*** | |
Singh et al. | A deep neural network approach for P300 detection-based BCI using single-channel EEG scalogram images | |
Chu et al. | An enhanced EEG microstate recognition framework based on deep neural networks: an application to Parkinson's disease | |
CN113545789A (zh) | 一种基于csp算法和psd算法的脑电信号分析模型构建方法、脑电信号分析方法和*** | |
Stuart et al. | An interpretable deep learning model for speech activity detection using electrocorticographic signals | |
Alessandrini et al. | EEG-Based Neurodegenerative Disease Classification using LSTM Neural Networks | |
CN114305452B (zh) | 一种基于脑电和领域适配的跨任务认知负荷识别方法 | |
CN109117790A (zh) | 一种基于频空指标的脑纹识别方法 | |
CN114343674A (zh) | 一种联合判别子空间发掘与半监督脑电情感识别方法 | |
Jyotishi et al. | Person identification using spatial variation of cardiac signal | |
Martins et al. | A Comparison of Machine Learning Techniques for the Detection of Type-4 PhotoParoxysmal Responses in Electroencephalographic Signals | |
Joo et al. | Group-level interpretation of electroencephalography signals using compact convolutional neural networks | |
CN113143275A (zh) | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 | |
Shnitzer et al. | Alternating diffusion maps for dementia severity assessment | |
Li | Electroencephalography Signal Analysis and Classification Based on Deep Learning | |
Deepika et al. | Highly Accurate EEG Signal Classification Using Multiple Feature Extraction and LSTM Networks | |
CN116166987A (zh) | 一种基于结构化二部图实现量化迁移的脑电情感识别方法 |
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 |