CN114343674A - 一种联合判别子空间发掘与半监督脑电情感识别方法 - Google Patents
一种联合判别子空间发掘与半监督脑电情感识别方法 Download PDFInfo
- Publication number
- CN114343674A CN114343674A CN202111578215.8A CN202111578215A CN114343674A CN 114343674 A CN114343674 A CN 114343674A CN 202111578215 A CN202111578215 A CN 202111578215A CN 114343674 A CN114343674 A CN 114343674A
- Authority
- CN
- China
- Prior art keywords
- formula
- electroencephalogram
- matrix
- semi
- subspace
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000008909 emotion recognition Effects 0.000 title claims abstract description 27
- 238000005065 mining Methods 0.000 title claims description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 230000006870 function Effects 0.000 claims abstract description 30
- 239000006185 dispersion Substances 0.000 claims abstract description 14
- 230000002996 emotional effect Effects 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000004913 activation Effects 0.000 claims abstract description 3
- 230000008451 emotion Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 12
- 210000004556 brain Anatomy 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 206010028813 Nausea Diseases 0.000 claims description 2
- 230000008693 nausea Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 238000011158 quantitative evaluation Methods 0.000 claims 1
- 238000009412 basement excavation Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 230000000638 stimulation Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000006698 induction Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种联合判别子空间发掘与半监督脑电情感识别方法。步骤如下：引导被试者观看带有明显情感倾向的视频来采集脑电数据。对所获得的脑电数据进行预处理和特征提取后，生成样本矩阵。构建联合子判别空间与半监督学习模型，通过将样本矩阵投影到新的特征空间来减小脑电数据之间的类内离散度和增大类间离散度，通过对无标记样本打上伪标签之后加入到训练模型中进行半监督学习。根据目标函数通过固定两个变量、更新另一个变量的规则，实现联合优化，通过不断的迭代优化子判别空间，提高情感识别的准确性。研究了组合投影矩阵的物理意义，得到情绪识别中的脑电激活模式，获得与情感效应发生相关的关键频段和导联。
Description
技术领域
本发明属于脑电信号处理技术领域，具体涉及一种联合判别子空间发掘与半监督脑电情感识别方法。
背景技术
情感是人们在日常生活与工作中受到外界环境刺激情况下产生的一种适应性的生理表达，具有信息传递与行为调控的作用。情感遍布在人们的日常生活中.根据《心理学大辞典》的定义，情感是人类对客观事物和自己需求相比较之后产生的态度和体验。情感能反映一个人当下的生理心理状态，也对人们的认知、沟通和决策等产生重要影响。从人工智能的角度来看，情感的产生会伴随个体表征以及心理反应的变化，因此可通过科学的方法来进行测量和模拟。让机器能自动并准确地识别人的情感状态，实现情感人机交互是当前信息科学、心理学、认知神经科学等领域的研究热点。
脑电信号作为非稳态信号，获取到的原始脑电数据分布往往不一致，为了在机器学习模型中获得稳定的情感识别模式，可以通过投影到子判别空间的方法来增大脑电数据的类间离散度，减小类内离散度，获得一个更好的判别模式，从而提升模型的识别精度，保证情感人机交互的可靠性。
发明内容
本发明的目的在于提供一种联合判别子空间发掘与半监督脑电情感识别方法。通过该方法可以将原始数据投影到判别子空间的矩阵A和连接标签矩阵的投影矩阵B以及无标记样本Yu进行联合迭代优化，通过不断的迭代优化子判别空间，得到更好的分类效果，以提高情感识别的准确率，并且通过得到的A、B投影矩阵获得与情感效应发生有关的关键频段和脑区。
本发明的具体步骤如下：
步骤1、采集被试者在K种不同情绪状态下的脑电数据。
步骤2、对步骤1采集得到的脑电数据进行预处理和特征提取，每一个样本矩阵X由一个被试者的脑电特征组成，标签向量y为样本矩阵X中脑电特征对应的情感标签；选取两个不同的样本矩阵，分别作为有标签数据和无标签数据。
步骤3、构建联合判别子空间发掘与半监督脑电情感识别方法的机器学习模型，将投影矩阵A映射得到的判别子空间与半监督学习模型整合至一个统一的框架中，得到联合优化的目标函数。
3-1.建立嵌入有描述因子v和θ目标函数如式(1)所示；
式(1)中，
为输入的样本矩阵，投影矩阵
用于将原始数据投影到一个更好的判别子空间，投影矩阵
用于将判别子空间中的数据与标签信息进行连接，
表示标签矩阵对应的信息，其中n＝l+u，l表示有标签样本的数量，u表示无标签样本的数量，
定示无标签样本对应的伪标签；||·||21表示l21范数；λ表示正则项参数；
3-2.进一步将目标函数式(1)改写成如式(2)所示：
式(2)中，Tr(·)为矩阵的迹运算；
是一个对角矩阵，其中每个对角元素的值为
式(3)中，gi表示矩阵G＝A*B*的第i行元素，||·||2表示l2范数。
步骤4、首先初始化伪标签Yu和变量D，然后根据步骤3得到的联合优化的目标函数，通过固定两个变量、更新另一个变量的方法来得到所有变量的更新规则，依次对目标函数式中无标记样本Yu、投影矩阵A和连接矩阵B进行优化，多次重复该优化过程，实现联合迭代优化。
步骤5、将步骤2得到的样本矩阵X输入到经过步骤4迭代优化后的目标函数中，获得对应的预测值标签，该预测值标签即为样本对应的被试者在采集时刻的情感状态，将得到的伪标签加入到模型的训练过程中，实现半监督学习。
作为优选，步骤2中，通过视频诱发的方法让被试者观看不同类型的电影来诱发不同的情感状态，情绪类别分别包括高兴、悲伤、中性、恐惧、恶心。
作为优选，步骤4中求Yu、A、B的具体过程如下；
4-1.通过固定A、B来更新Yu，令
将式(2)改写成如(4)所示：
通过逐行求解Yu，令
表示Yu的第i行，式(4)可以表示成式(5)
根据式(5)，下面求解过程中将ci和yi的转置用ci和yi表示，由拉格朗日乘子法可得式(6)；
令
表示yi的最优解，η*、β*为最优解
对应的参数，由KKT条件可得yi的最优解为：
其中
4-2.通过固定A、Yu来更新B，将式(2)改写成如(8)所示：
式(8)中，对矩阵B进行求导并令导数为0，得到B的更新规则为式(9)：
B＝(AT(XXT+λD)A)-1 ATXY (9)
4-3.通过固定Yu、B来更新A，将式(9)带入到式(2)中得到式(10)：
令St＝XXT，Sb＝XYYTXT，其中St与Sb分别表示线性判别分析中的类内离散度和类间离散，则变量A的最优解可表示为式(11)。
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(12)所示：
h(X)＝-∫xf(x)ln(f(x))dx (12)
式(12)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(13)所示；
式(13)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17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。
作为优选，将步骤4中的投影矩阵A、B用来探索情绪识别中的激活模式，令矩阵G＝A B，
表示每一维特征的重要性，由于每个特征维度的重要性可以通过其归一化的l2-范数来衡量，可以通过获得的θ得到与脑电情感识别的关键频段和脑区。
本发明具有的有益效果是：
1、本发明获得的一种联合判别子空间发掘与半监督脑电情感识别方法能够将脑电数据投影到子空间中，获得一个更好的分类面，由于脑电数据是非稳态的，在原始的数据空间中进行分类的效果并不理想，通过本发明的方法能够增大SEED-V脑电数据集中样本的类间离散度，减小类内离散度，并通过实验对比发现与目前流行的半监督RLSR模型性能相比，我们提出的方法对情感识别模型的准确率有了很大的提升。
2、本发明是一种半监督学习方法，可以结合无标记的样本数据进行训练，初始时将有标签的样本放入模型进行训练，然后通过得到的模型对无标记样本打上伪标签，再将伪标签的样本放入模型训练，相比于有监督的情感识别方法，我们提出的方法能够充分的利用大量的无标签样本的信息，从而得到比有监督模型更好的训练效果。
3、脑电数据的采集过程中是由多个电极帽获得，该样本数据受到实验时间与导联位置的影响，每一个导联代表一个特征维度。本发明通过对投影矩阵A和B的计算，可以求得对于模型训练更有利的频段和导联，通过模型训练得到的内隐信息，获得与情感效应发生的关键频段和脑区。
附图说明
图1为本发明的模型框架图；
图2为本发明的关键频段图；
图3为本发明的关键导联图。
具体实施方式
以下结合附图对本发明作进一步说明。
本发明解决在脑电情感识别的数据集中原始空间的分类面准确率较低这一重要问题基于如下的出发点：我们认为在情感识别中，脑电信号作为非稳态信号，经过预处理之后的数据虽然能够获得稳定的情感识别模式，但是由于数据集之间的不同标签的样本差异性较小，获得的分类面效果较差，获得的模型分类性能也较弱，如果能够将样本通过投影到子判别空间，获得一个较好的分类面，使得数据集之间的类内离散度较小，类间离散度较大，将获得一个鲁棒性较好的模型。因此，我们可以通过数据集投影到子判别空间的方法进行学习，这对提升情感识别的准确率具有重要意义。
如图1所示，一种联合判别子空间发掘与半监督脑电情感识别方法，具体步骤如下：
步骤1、脑电数据采集。
本实验采用的情绪诱导方法为刺激材料诱导，即通过让被试观看特定的情绪刺激材料而产生，从而达到诱导被试相应情绪状态的目的。人的情感在日常情况下并不会显得十分强烈，因此，为了采集到强烈的情感信息，是需要对被试者进行一定的诱导的，因此选取5种具有明显情感倾向的影片片段在不同的时间分别播放给被试者观看，在观看影片的同时通过脑电帽导联连接到对应的脑区采集被试者的脑电数据作为原始的情感脑电数据集。
对N个受试者在相同的情感诱发片段下进行M次脑电数据采集，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类别标签的脑电数据。每一组数据均作为一个样本矩阵X。每个样本矩阵X均对应一个标签y；标签y对应受试者的情感类别。
为了研究情绪识别的稳定性并确保刺激的有效性，每个被试被要求参加3次实验，实验间隔至少三天。每个实验中的被试需要观看15个刺激材料和3个情绪类型。同时，为保证刺激的有效性，防止被试厌烦，被试每次在实验中查看的资料完全不同，每次实验中查看资料的总时间控制在大约50分钟。在每一项试验中，参与者观看了其中一个电影片段，同时他的脑电图信号是用62导联的ESI NeuroScan***收集的。
所有的刺激材料在播放前都有15秒的时间介绍材料的背景和他们想要诱发的情绪。刺激材料播放完毕后，根据材料类型有15秒或30秒的自我评价和休息时间。如果刺激材料类型是厌恶或恐惧，休息时间为30秒，快乐、中立和悲伤的时间为15秒。
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。本发明基于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.将这5个频段的脑电数据分别作为样本矩阵，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 (12)
式(12)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样本矩阵X，其微分熵特征h(X)可以计算为式(13)所示：
式(13)中，σ为概率密度函数的标准差；μ为概率密度函数的期望。
可以看出，本质上微分熵特征为功率谱密度特征的对数形式，即
脑电信号的预处理旨在提高信噪比，从而提高数据的预处理效果，减少干扰。
步骤3、构建联合判别子空间发掘与半监督学习脑电情感识别机器学习模型，将投影矩阵A映射得到的判别子空间与半监督学习模型整合至一个统一的框架中，得到联合优化的目标函数。
3-1.建立嵌入有描述因子v和θ目标函数如式(1)所示；
式(1)中，
为输入的样本矩阵，投影矩阵
用于将原始数据投影到一个更好的判别子空间，投影矩阵
用于将判别子空间中的数据与标签信息进行连接，
表示标签矩阵对应的信息，其中n＝l+u，l表示有标签样本的数量，u表示无标签样本的数量，
表示无标签样本对应的伪标签；||·||21表示l21范数；λ表示正则项参数；
3-2.进一步将目标函数式(1)改写成如式(2)所示：
式(2)中，Tr(·)为矩阵的迹运算；
是一个对角矩阵，其中每个对角元素的值为
式(3)中，gi表示矩阵G＝A*B*的第i行元素，||·||2表示l2范数。
步骤4、首先初始化伪标签Yu和变量D，然后根据步骤3得到的联合优化的目标函数，通过固定两个变量、更新另一个变量的方法来得到所有变量的更新规则，依次对目标函数式中无标记样本Yu、投影矩阵A和连接矩阵B进行优化，多次重复该优化过程，实现联合迭代优化；
4-1.通过固定A、B来更新Yu，令
将式(2)改写成如(4)所示：
通过逐行求解Yu，令
表示Yu的第i行，式(4)可以表示成式(5)
根据式(5)，下面求解过程中将ci和yi的转置用ci和yi表示，由拉格朗日乘子法可得式(6)；
令
表示yi的最优解，η*、β*为最优解
对应的参数，由KKT条件可得yi的最优解为：
其中
4-2.通过固定A、Yu来更新B，将式(2)改写成如(8)所示：
式(8)中，对矩阵B进行求导并令导数为0，得到B的更新规则为式(9)：
B＝(AT(XXT+λD)A)-1 ATXY (22)
4-3.通过固定Yu、B来更新A，将式(9)带入到式(2)中得到式(10)：
令St＝XXT，Sb＝XYYTXT，其中St与Sb分别表示线性判别分析中的类内离散度和类间离散，则变量A的最优解可表示为：
令G＝AB，
表示每一维特征的重要性，由于每个特征维度的重要性可以通过其归一化的l2-范数来衡量，可以得到如下式子：
其中gi表示矩阵
的第i行元素；
步骤5、将步骤2得到的样本矩阵X输入到经过步骤4迭代优化后的目标函数中，获得对应的预测值标签，该预测值标签即为样本对应的被试者在采集时刻的情感状态，将得到的伪标签加入到模型的训练过程中，实现半监督学习。
通过对比实验可知本实施例的结果与目前流行的RLSR21半监督方法相比，识别精度更高。
Claims (7)
1.一种联合判别子空间发掘与半监督脑电情感识别方法，其特征在于：
步骤1、采集被试者在K种不同情绪状态下的脑电数据；
步骤2、对步骤1采集得到的脑电数据进行预处理和特征提取，每一个样本矩阵X由一个被试者的脑电特征组成，标签向量y为样本矩阵X中脑电特征对应的情感标签；选取两个不同的样本矩阵，分别作为有标签数据和无标签数据；
步骤3、构建一种联合判别子空间发掘与半监督脑电情感识别方法的机器学习模型，将投影矩阵A映射得到的判别子空间与半监督学习模型整合至一个统一的框架中，得到联合优化的目标函数；
步骤4、首先初始化伪标签Yu和变量D，然后根据步骤3得到的联合优化的目标函数，通过固定两个变量、更新另一个变量的方法来得到所有变量的更新规则，依次对目标函数式中无标记样本Yu、投影矩阵A和连接矩阵B进行优化，多次重复该优化过程，实现联合迭代优化；
步骤5、将步骤2得到的样本矩阵X输入到经过步骤4迭代优化后的目标函数中，获得对应的预测值标签，该预测值标签即为样本对应的被试者在采集时刻的情感状态，将得到的伪标签加入到模型的训练过程中，实现半监督学习。
2.根据权利要求1所述一种联合判别子空间发掘与半监督脑电情感识别方法，其特征在于：步骤3具体包括以下步骤：
3-1.建立嵌入有描述因子v和θ目标函数，如式(1)所示；
式(1)中，
为输入的样本矩阵，投影矩阵
用于将原始数据投影到一个更好的判别子空间，投影矩阵
用于将判别子空间中的数据与标签信息进行连接，
表示标签矩阵对应的信息，其中n＝l+u，l表示有标签样本的数量，u表示无标签样本的数量，
表示无标签样本对应的伪标签；||·||21表示l21范数；λ表示正则项参数；
3-2.进一步将目标函数式(1)改写成如式(2)所示：
式(2)中，Tr(·)为矩阵的迹运算；
是一个对角矩阵，其中每个对角元素的值为
式(3)中，gi表示矩阵G＝A*B*的第i行元素，||·||2表示l2范数。
3.根据权利要求2所述一种联合判别子空间发掘与半监督脑电情感识别方法，其特征在于：步骤4具体包括以下步骤：
4-1.通过固定A、B来更新Yu，令
将式(2)改写成如(4)所示：
通过逐行求解Yu，令
表示Yu的第i行，式(4)表示成式(5)
根据式(5)，下面求解过程中将ci和yi的转置用ci和yi表示，由拉格朗日乘子法可得式(6)；
令
表示yi的最优解，η*、β*为最优解
对应的参数，由KKT条件可得yi的最优解为：
其中
4-2.通过固定A、Yu来更新B，将式(2)改写成如(8)所示：
式(8)中，对矩阵B进行求导并令导数为0，得到B的更新规则为式(9)：
B＝(AT(XXT+λD)A)-1ATXY (9)
4-3.通过固定Yu、B来更新A，将式(9)带入到式(2)中得到式(10)：
令St＝XXT，Sb＝XYYTXT，其中St与Sb分别表示线性判别分析中的类内离散度和类间离散，则变量A的表示为式(11)：
变量A为最优解。
4.根据权利要求1所述的一种联合判别子空间发掘与半监督脑电情感识别方法，其特征在于所述的情绪类别包括：高兴、悲伤、中性、恐惧、恶心。
5.根据权利要求1所述的一种联合判别子空间发掘与半监督脑电情感识别方法，其特征在于：步骤2中预处理的过程包括以下子步骤：
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(20)所示：
h(X)＝-∫xf(x)ln(f(x))dx (12)
式(20)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(21)所示；
式(21)中，σ为概率密度函数的标准差；μ为概率密度函数的期望。
6.根据权利要求1所述的一种样本与特征质量联合量化评估的脑电疲劳检测方法，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。
7.根据权利要求1所述的一种联合判别子空间发掘与半监督脑电情感识别方法，其特征在于：将步骤4中的投影矩阵A、B用来探索情绪识别中的激活模式，令矩阵G＝A B，
表示每一维特征的重要性，每个特征维度的重要性通过其归一化的l2-范数来衡量，通过获得的θ得到与脑电情感识别的关键频段和脑区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111578215.8A CN114343674B (zh) | 2021-12-22 | 2021-12-22 | 一种联合判别子空间发掘与半监督脑电情感识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111578215.8A CN114343674B (zh) | 2021-12-22 | 2021-12-22 | 一种联合判别子空间发掘与半监督脑电情感识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114343674A true CN114343674A (zh) | 2022-04-15 |
| CN114343674B CN114343674B (zh) | 2024-05-03 |
Family
ID=81101572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111578215.8A Active CN114343674B (zh) | 2021-12-22 | 2021-12-22 | 一种联合判别子空间发掘与半监督脑电情感识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114343674B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114841214A (zh) * | 2022-05-18 | 2022-08-02 | 杭州电子科技大学 | 基于半监督判别投影的脉搏数据分类方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009571A (zh) * | 2017-11-16 | 2018-05-08 | 苏州大学 | 一种新的直推式半监督数据分类方法及*** |
| US20200125897A1 (en) * | 2018-10-18 | 2020-04-23 | Deepnorth Inc. | Semi-Supervised Person Re-Identification Using Multi-View Clustering |
| CN113157094A (zh) * | 2021-04-21 | 2021-07-23 | 杭州电子科技大学 | 联合特征迁移与图半监督标记传播的脑电情感识别方法 |
-
2021
- 2021-12-22 CN CN202111578215.8A patent/CN114343674B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009571A (zh) * | 2017-11-16 | 2018-05-08 | 苏州大学 | 一种新的直推式半监督数据分类方法及*** |
| US20200125897A1 (en) * | 2018-10-18 | 2020-04-23 | Deepnorth Inc. | Semi-Supervised Person Re-Identification Using Multi-View Clustering |
| CN113157094A (zh) * | 2021-04-21 | 2021-07-23 | 杭州电子科技大学 | 联合特征迁移与图半监督标记传播的脑电情感识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| XIAOJUN CHEN 等: "Semi-supervised Feature Selection via Rescaled Linear Regression", PROCEEDINGS OF THE TWENTY-SIXTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE (IJCAI-17), 1 August 2017 (2017-08-01) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114841214A (zh) * | 2022-05-18 | 2022-08-02 | 杭州电子科技大学 | 基于半监督判别投影的脉搏数据分类方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114343674B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Depression recognition using machine learning methods with different feature generation strategies | |
| CN106886792B (zh) | 一种基于分层机制构建多分类器融合模型的脑电情感识别方法 | |
| CN110070105B (zh) | 基于元学习实例快速筛选的脑电情绪识别方法、*** | |
| CN103631941B (zh) | 基于脑电的目标图像检索*** | |
| CN108056774A (zh) | 基于视频刺激材料的实验范式情绪分析实现方法及其装置 | |
| CN112773378B (zh) | 一种特征权重自适应学习的脑电情绪识别方法 | |
| CN113157094B (zh) | 联合特征迁移与图半监督标记传播的脑电情感识别方法 | |
| CN108256579A (zh) | 一种基于先验知识的多模态民族认同感量化测量方法 | |
| CN111476158A (zh) | 一种基于pso-pca-svm的多通道生理信号体感手势识别方法 | |
| Wang et al. | Maximum weight multi-modal information fusion algorithm of electroencephalographs and face images for emotion recognition | |
| CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
| CN113974627B (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
| 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 | |
| Chu et al. | An enhanced EEG microstate recognition framework based on deep neural networks: an application to Parkinson's disease | |
| CN117883082A (zh) | 一种异常情绪识别方法、***、设备及介质 | |
| CN117407748A (zh) | 基于图卷积和融合注意力的脑电情绪识别方法 | |
| Demir et al. | Bio-inspired filter banks for frequency recognition of SSVEP-based brain–computer interfaces | |
| CN112861629B (zh) | 一种多窗口判别典型模式匹配方法及脑-机接口应用 | |
| CN111265214B (zh) | 一种基于数据结构化分解的脑电信号分析方法 | |
| Wei et al. | An investigation of pilot emotion change detection based on multimodal physiological signals | |
| CN114186591A (zh) | 一种情绪识别***泛化能力的提高方法 | |
| 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 | |
| CN114504317B (zh) | 一种基于脑电网络的情绪实时监测*** | |
| Abdullah et al. | EEG Emotion Detection Using Multi-Model Classification | |
| 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 |
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 |