CN107411738A - 一种基于静息脑电相似性的情绪跨个体识别方法 - Google Patents

一种基于静息脑电相似性的情绪跨个体识别方法 Download PDF

Info

Publication number
CN107411738A
CN107411738A CN201710251631.4A CN201710251631A CN107411738A CN 107411738 A CN107411738 A CN 107411738A CN 201710251631 A CN201710251631 A CN 201710251631A CN 107411738 A CN107411738 A CN 107411738A
Authority
CN
China
Prior art keywords
mood
mrow
mtd
resting electroencephalogramidentification
individual
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.)
Pending
Application number
CN201710251631.4A
Other languages
English (en)
Inventor
刘爽
明东
郭冬月
柯余峰
仝晶晶
杨佳佳
许敏鹏
何峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201710251631.4A priority Critical patent/CN107411738A/zh
Publication of CN107411738A publication Critical patent/CN107411738A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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]
    • 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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • 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
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/20—Workers
    • A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于静息脑电相似性的情绪跨个体识别方法，所述情绪跨个体识别方法包括：建立多个体情绪数据库，包括n个被试的静息脑电和情绪脑电，并通过AR模型提取脑电在4个频段的功率谱密度，构成静息脑电特征矩阵以及情绪脑电特征矩阵；记录需要被检测的被试的静息脑电，分别计算其与情绪数据库中的n个被试的静息脑电特征矩阵的欧式距离，选择距离最小的0.2*n个被试作为情绪识别模型训练集的用户群；利用该用户群的情绪脑电特征矩阵建立情绪检测模型，从而准确、客观的进行跨个体情绪脑电识别。本发明可有效地解决目前情绪识别中的跨个体识别正确率低的瓶颈问题，将模型推向应用，并获得可观的社会效益和经济效益。

Description

一种基于静息脑电相似性的情绪跨个体识别方法
技术领域
本发明涉及基于脑电的情绪识别领域，尤其涉及一种基于静息脑电相似性的情绪跨个体识别方法，该方法可用于情绪障碍的辅助诊断与疗效评价，特殊工作者(如航天员、司机)的情绪识别与反馈，娱乐游戏、远程教学的人机互动。
背景技术
情绪(emotion)是人对客观事物是否满足自身需要而产生的综合状态。它作为人脑的高级功能，保证着有机体的生存和适应，不同程度上影响着人的学习、记忆与决策。在人们的日常工作和生活中，情绪的作用无处不在。负性情绪会影响我们的身心健康，降低工作质量与效率，严重者会引发心理疾病(比如抑郁症、自闭症等)，也会造成严重的工作失误。有研究证明，负性情绪的长期积累，会损害免疫系统的功能，使人们更容易受到周围病毒的感染。所以，适时地发现负性情绪并给予适当的干预与调控十分必要，尤其是对司机，航天员等一些特殊工作者。另一方面，在人机交互系统里，如果系统能够捕捉到人的情绪状态，那么人机交互就会变得更加友好，自然与高效。情绪的分析与识别已经成为神经科学、心理学、认知科学、计算机科学和人工智能等领域学科交叉的一项重要的研究课题。
随着神经生理学的发展和脑成像技术的兴起，脑电信号(Electroencephalography,EEG)因其时间分辨率高、不受人为因素控制、能够客观真实地反映人的情绪状态而受到研究人员的重视并被引入到情绪识别领域。而且新式理论方法的提出在一定程度上提高了基于脑电的情绪识别准确率。然而一旦走向实际应用，识别率大幅度下降，很难满足应用的需求，泛化能力低是情绪识别模型在实际应用中面临的一大挑战。
研究表明，即使对于同一个外部刺激或者主体在思考同一个事件的时候，不同人的大脑所产生的脑电信号也是不同的，也就是说这些脑电信号携带有主体独一无二的特性。由于脑电个体差异性的存在，传统的个体依赖型(subject-depend)情绪识别模型在使用之前通常需要一个校准阶段，让被试先完成一段时间的情绪诱发实验任务，采集被试的脑电信号，利用被试自己的脑电信号建立情绪识别模型。由于该识别模型只由来自被试自己的脑电信息建立，是个体特异性识别模型，该模型用于被试自己时会达到很好的预测效果，一旦用于预测其他用户的情绪，识别率就会大幅度下降。
但是个体依赖型情绪识别模型冗长的校准过程会使用户感觉疲倦和乏味，所以跨个体的情绪识别在实际应用中十分必要，而且跨个体的情绪识别模型可以很大程度上提高系统的友好程度，极大地扩大用户范围。因此，对于跨个体的情绪识别技术的研究具有很重要的现实意义和商业价值。
发明内容
本发明提供了一种基于静息脑电相似性的情绪跨个体识别方法，本发明可有效地解决目前情绪识别中的跨个体识别正确率低的瓶颈问题，将模型推向应用，并获得可观的社会效益和经济效益，详见下文描述：
一种基于静息脑电相似性的情绪跨个体识别方法，所述情绪跨个体识别方法包括以下步骤：
建立多个体情绪数据库，包括n个被试的静息脑电和情绪脑电，并通过AR模型提取脑电载theta,alpha,beta,gamma4个频段的功率谱密度，构成静息脑电特征矩阵以及情绪脑电特征矩阵；
记录需要被检测的被试的静息脑电，分别计算其与情绪数据库中的n个被试的静息脑电特征矩阵的欧式距离，选择距离最小的0.2*n个被试作为情绪识别模型训练集的用户群；
利用该用户群的情绪脑电特征矩阵建立情绪检测模型，从而准确、客观的进行跨个体情绪脑电识别。
所述情绪跨个体识别方法还包括：
采集多个被试在静息状态、积极状态、中性状态、以及消极状态下的64导脑电信号；
对采集到的64导脑电信号进行变参考到双耳平均、降采样到500Hz、1-100Hz带通滤波以及利用独立成分分析的算法去除眼电干扰，最终得到60导联的预处理后的脑电信号。
所述记录需要被检测的被试的静息脑电，分别计算其与情绪数据库中的n个被试的静息脑电特征矩阵的欧式距离具体为：
其中，MPRi是第i个用户的静息脑电特征矩阵的24个样本平均后的特征向量；MTPR是当前用户的静息脑电特征矩阵的24个样本平均后的特征向量；PRi为第i个用户的静息脑电特征矩阵；TPR为当前用户的静息脑电特征矩阵；Di为第i个用户的静息脑电与当前用户的静息脑电之间求得的欧式距离；为情绪数据库中第i个被试的静息脑电的第h个特征值，yh为当前用户的静息脑电的第h个特征值，h＝1,2,…,240。
本发明提供的技术方案的有益效果是：本发明通过计算情绪数据库中多被试的静息脑电与当前用户静息脑电的欧式距离，选择与当前用户脑电基线相似性高的用户组合，利用其情绪脑电建立情绪模型，从而实现跨个体的情绪脑电识别。本发明可有效地解决目前情绪识别中的跨个体识别正确率低的瓶颈问题，为情绪识别从实验室走向应用提供了技术支持。
附图说明
图1为一种基于静息脑电相似性的情绪跨个体识别方法的流程图；
图2为60导EEG导联示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
本发明实施例提出了一种基于静息脑电相似性的跨个体情绪脑电识别方法，即通过寻找与当前用户静息脑电相似性高的个体，用其情绪脑电数据建立情绪识别模型，来预测当前用户的情绪状态，从而实现跨个体的情绪脑电识别，满足实际应用场景。
实施例1
本发明实施例提供了一种基于静息脑电相似性的跨时间情绪脑电识别方法，参见图1，该方法包括以下步骤：
101：建立多个体情绪数据库，包括n个被试的静息脑电和情绪脑电，并通过自回归(autoregressive,AR)[1]模型提取脑电4个频段(theta,alpha,beta,gamma频段)的功率谱密度，构成静息脑电特征矩阵以及情绪脑电特征矩阵；
其中，通过脑电4个频段的功率谱密度，构成静息脑电特征矩阵以及情绪脑电特征矩阵的步骤为本领域技术人员所公知，本发明实施例对此不做赘述。
102：记录需要被检测的被试的静息脑电，分别计算其与情绪数据库中的n个被试的静息脑电特征矩阵的欧式距离，选择距离最小的0.2*n个被试作为情绪识别模型训练集的用户群；
其中，欧式距离越小，说明两者的相似性越大。
103：利用该用户群的情绪脑电特征矩阵建立情绪检测模型，从而准确、客观的进行跨个体情绪脑电识别。
其中，在步骤101之前该方法还包括：
1、采集多个被试在静息状态以及不同情绪状态下(积极、中性、消极)64导脑电信号。
2、对采集到的64导脑电信号进行四个步骤的预处理。包括：变参考到双耳平均、降采样到500Hz、1-100Hz带通滤波以及利用独立成分分析(independent componentanalysis，ICA)的算法去除眼电干扰。最终得到60导联的预处理后的脑电信号。
综上所述，本发明实施例通过上述步骤101-步骤103可有效地解决目前情绪识别中的跨个体识别正确率低的瓶颈问题，为情绪识别从实验室走向应用提供了技术支持。
实施例2
下面结合图2、计算公式，以及实例对实施例1中的方案进行进一步地介绍，详见下文描述：
201：建立多个体情绪数据库；
首先采集n个用户的静息脑电和情绪脑电，建立多个体情绪数据库。脑电采集装置为Neuroscan公司的64导联放大器和Scan4.5采集系统，电极遵照国际脑电协会规定的标准10-20系统放置，去除眼电和参考电极外的60导电极的导联分布，如图2所示。采集时以右侧乳突作为参考电极，脑部前额顶侧中央处接地，所有电极的阻抗均保持在5k欧以下，采样频率为1 000Hz。实验开始前首先采集被试2分钟的静息脑电，然后用视频诱发被试积极、中性、消极三种情绪状态，同时采集用户的64导脑电信号。
其中，上述数据采集阶段的具体操作过程为本领域技术人员所公知，本发明实施例对此不做赘述。
本发明实施例对上述采集数据的次数、采集时间不做限制，根据实际应用中的需要进行设定。
202：数据预处理；
对采集到的64导脑电信号进行四个步骤的预处理；包括变参考到双耳平均、降采样到500Hz、1-100Hz带通滤波以及ICA去眼电干扰。
1、采集时的参考电位在右耳乳突处，这导致右脑区导联的信号幅值偏低。因此首先进行参考电位转换，将参考电位变为位于两侧乳突部位的M1、M2导联处，便于后续数据处理。
2、系统的采样频率是1000Hz，主要是为了满足脑电信号变化迅速的要求。但1000Hz的采样频率远远大于奈奎斯特定理的理论采样频率，并且采样频率过大会导致数据量过大使后续处理效率降低。因此，要对采集到的数据进行降采样，脑电信号的采样频率由1000Hz降为500Hz。
3、本发明实施例进行了1Hz～100Hz的带通滤波以去除直流干扰以及高频信号。
4、由于采集到的脑电信号不可避免地会含有眼电(包括眼球的上下、左右移动，眨眼)及肌电信号带来的影响。其中眼电，尤其是眨眼的眼电信号特别强烈，受眼电影响最大的是前额区域的导联。对于脑电信号中掺杂的眼电信号及肌电信号产生的影响，本发明实施例通过独立分量分析(Independent Component Analysis，ICA)滤波的方法予以滤除。
203：特征提取；
采用AR模型提取theta(4-8Hz),alpha(8-13Hz),beta(13-30Hz),gamma(30-45Hz)四个频段的功率谱特征，共得到60导联*4频段＝240维特征。
204：计算静息脑电之间的欧式距离；
距离是对观测量之间或变量之间的相似或者不相似程度的一种测度。欧氏距离可看作信号的相似程度，距离越近就越相似。
分别计算当前用户的静息脑电特征矩阵TPR与多个体情绪数据库中n个用户的静息脑电特征矩阵PRi(i＝1,2,…,n)的欧式距离：
其中，MPRi是第i个用户的静息脑电特征矩阵的24个样本平均后的特征向量；MTPR是当前用户的静息脑电特征矩阵的24个样本平均后的特征向量；PRi为第i个用户的静息脑电特征矩阵；TPR为当前用户的静息脑电特征矩阵；Di为第i个用户的静息脑电与当前用户的静息脑电之间求得的欧式距离；为情绪数据库中第i个被试的静息脑电的第h个特征值，yh为当前用户的静息脑电的第h个特征值，h＝1,2,…,240。
接着，对得到的欧式距离进行排序，找出最小的0.2*n个欧式距离对应的用户，即与当前用户的静息脑电相似性最高的静息脑电对应的0.2*n个用户，构成情绪检测模型的训练集用户群。
205：情绪检测模型的建立。
找到与当前用户的静息脑电相似性高的0.2*n个静息脑电对应的用户后，利用该组用户的情绪脑电特征矩阵，采用支持向量机(Support Vector Machine，SVM)[2]建立情绪检测模型，识别当前用户的情绪状态。
该项发明可有效解决目前跨个体情绪脑电识别的瓶颈问题，可获得可观的社会效益和经济效益。最佳实施方案拟采用专利转让、技术合作或产品开发。
综上所述，本发明实施例通过上述步骤201-步骤205可有效地解决目前情绪识别中的跨个体识别正确率低的瓶颈问题，为情绪识别从实验室走向应用提供了技术支持。
参考文献
[1]J.Pardey,S.Roberts,and L.Tarassenko,"A review of parametricmodelling techniques for EEG analysis,"Medical engineering&physics,vol.18,pp.2-11,1996.
[2]HIDALGO-MU OZ AR,L PEZ M M,SANTOS I M,et al.Application of SVM-RFEon EEG signals for detecting the most relevant scalp regions linked toaffective valence processing[J].Expert Systems with Applications,2013,40(6):2102–8.
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于静息脑电相似性的情绪跨个体识别方法，其特征在于，所述情绪跨个体识别方法包括以下步骤：
建立多个体情绪数据库，包括n个被试的静息脑电和情绪脑电，并通过AR模型提取脑电theta,alpha,beta,gamma4个频段的功率谱密度，构成静息脑电特征矩阵以及情绪脑电特征矩阵；
记录需要被检测的被试的静息脑电，分别计算其与情绪数据库中的n个被试的静息脑电特征矩阵的欧式距离，选择距离最小的0.2*n个被试作为情绪识别模型训练集的用户群；
利用该用户群的情绪脑电特征矩阵建立情绪检测模型，从而准确、客观的进行跨个体情绪脑电识别。
2.根据权利要求1所述的一种基于静息脑电相似性的情绪跨个体识别方法，其特征在于，所述情绪跨个体识别方法还包括：
采集多个被试在静息状态、积极状态、中性状态、以及消极状态下的64导脑电信号；
对采集到的64导脑电信号进行变参考到双耳平均、降采样到500Hz、1-100Hz带通滤波以及利用独立成分分析的算法去除眼电干扰，最终得到60导联的预处理后的脑电信号。
3.根据权利要求1所述的一种基于静息脑电相似性的情绪跨个体识别方法，其特征在于，所述记录需要被检测的被试的静息脑电，分别计算其与情绪数据库中的n个被试的静息脑电特征矩阵的欧式距离具体为：
<mrow> <mi>M</mi> <mi>P</mi> <mi>R</mi> <mi>i</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>,</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mn>24</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>24</mn> </munderover> <mi>P</mi> <mi>R</mi> <mi>i</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>,</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msubsup> <mi>x</mi> <mn>1</mn> <mi>i</mi> </msubsup> </mtd> <mtd> <msubsup> <mi>x</mi> <mn>2</mn> <mi>i</mi> </msubsup> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <msubsup> <mi>x</mi> <mn>240</mn> <mi>i</mi> </msubsup> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mn>240</mn> </mrow>
<mrow> <mi>M</mi> <mi>T</mi> <mi>P</mi> <mi>R</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>,</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mn>24</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>24</mn> </munderover> <mi>T</mi> <mi>P</mi> <mi>R</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>,</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>y</mi> <mn>1</mn> </msub> </mtd> <mtd> <msub> <mi>y</mi> <mn>2</mn> </msub> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <msub> <mi>y</mi> <mn>240</mn> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mn>240</mn> </mrow>
<mrow> <mi>D</mi> <mi>i</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>h</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>240</mn> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mi>h</mi> <mi>i</mi> </msubsup> <mo>-</mo> <msub> <mi>y</mi> <mi>h</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
其中，MPRi是第i个用户的静息脑电特征矩阵的24个样本平均后的特征向量；MTPR是当前用户的静息脑电特征矩阵的24个样本平均后的特征向量；PRi为第i个用户的静息脑电特征矩阵；TPR为当前用户的静息脑电特征矩阵；Di为第i个用户的静息脑电与当前用户的静息脑电之间求得的欧式距离；为情绪数据库中第i个被试的静息脑电的第h个特征值，yh为当前用户的静息脑电的第h个特征值，h＝1,2,…,240。
CN201710251631.4A 2017-04-18 2017-04-18 一种基于静息脑电相似性的情绪跨个体识别方法 Pending CN107411738A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710251631.4A CN107411738A (zh) 2017-04-18 2017-04-18 一种基于静息脑电相似性的情绪跨个体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710251631.4A CN107411738A (zh) 2017-04-18 2017-04-18 一种基于静息脑电相似性的情绪跨个体识别方法

Publications (1)

Publication Number Publication Date
CN107411738A true CN107411738A (zh) 2017-12-01

Family

ID=60424172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710251631.4A Pending CN107411738A (zh) 2017-04-18 2017-04-18 一种基于静息脑电相似性的情绪跨个体识别方法

Country Status (1)

Country Link
CN (1) CN107411738A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110367976A (zh) * 2019-07-30 2019-10-25 腾讯科技（深圳）有限公司 脑电波信号检测方法、相关设备和存储介质
CN111209445A (zh) * 2018-11-21 2020-05-29 中国电信股份有限公司 识别终端用户情绪的方法和装置
CN113712542A (zh) * 2021-08-27 2021-11-30 中山大学孙逸仙纪念医院 基于深度学习的耳鸣脑电图卷积神经网络模型构建方法
CN114021605A (zh) * 2021-11-02 2022-02-08 深圳市大数据研究院 一种风险预测方法、装置、系统、计算机设备及存储介质
CN115105079A (zh) * 2022-07-26 2022-09-27 杭州罗莱迪思科技股份有限公司 基于自注意力机制的脑电情绪识别方法及其应用

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102499677A (zh) * 2011-12-16 2012-06-20 天津大学 基于脑电非线性特征的情绪状态识别方法
CN102722728A (zh) * 2012-06-11 2012-10-10 杭州电子科技大学 基于通道加权支持向量的运动想象脑电分类方法
KR20140119920A (ko) * 2013-03-29 2014-10-13 중앙대학교 산학협력단 무선 생체신호 측정기를 이용한 감성분류 시스템
US20150025335A1 (en) * 2014-09-09 2015-01-22 Lakshya JAIN Method and system for monitoring pain of patients
CN105395192A (zh) * 2015-12-09 2016-03-16 恒爱高科(北京)科技有限公司 一种基于脑电的可穿戴情感识别方法和系统
CN105894039A (zh) * 2016-04-25 2016-08-24 京东方科技集团股份有限公司 情绪识别模型建立方法、情绪识别方法及装置、智能设备
CN106108894A (zh) * 2016-07-18 2016-11-16 天津大学 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102499677A (zh) * 2011-12-16 2012-06-20 天津大学 基于脑电非线性特征的情绪状态识别方法
CN102722728A (zh) * 2012-06-11 2012-10-10 杭州电子科技大学 基于通道加权支持向量的运动想象脑电分类方法
KR20140119920A (ko) * 2013-03-29 2014-10-13 중앙대학교 산학협력단 무선 생체신호 측정기를 이용한 감성분류 시스템
US20150025335A1 (en) * 2014-09-09 2015-01-22 Lakshya JAIN Method and system for monitoring pain of patients
CN105395192A (zh) * 2015-12-09 2016-03-16 恒爱高科(北京)科技有限公司 一种基于脑电的可穿戴情感识别方法和系统
CN105894039A (zh) * 2016-04-25 2016-08-24 京东方科技集团股份有限公司 情绪识别模型建立方法、情绪识别方法及装置、智能设备
CN106108894A (zh) * 2016-07-18 2016-11-16 天津大学 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘爽等: "脑电时间效应对情绪识别模型的影响及解决措施研究", 《中国生物医学工程学报》 *
王杨著: "《医用运动生理学》", 31 October 2010, 北京中国医药科技出版社 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209445A (zh) * 2018-11-21 2020-05-29 中国电信股份有限公司 识别终端用户情绪的方法和装置
CN111209445B (zh) * 2018-11-21 2023-05-02 中国电信股份有限公司 识别终端用户情绪的方法和装置
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
CN110367976A (zh) * 2019-07-30 2019-10-25 腾讯科技（深圳）有限公司 脑电波信号检测方法、相关设备和存储介质
CN113712542A (zh) * 2021-08-27 2021-11-30 中山大学孙逸仙纪念医院 基于深度学习的耳鸣脑电图卷积神经网络模型构建方法
CN114021605A (zh) * 2021-11-02 2022-02-08 深圳市大数据研究院 一种风险预测方法、装置、系统、计算机设备及存储介质
CN115105079A (zh) * 2022-07-26 2022-09-27 杭州罗莱迪思科技股份有限公司 基于自注意力机制的脑电情绪识别方法及其应用

Similar Documents

Publication Publication Date Title
Zhai et al. Automated ECG classification using dual heartbeat coupling based on convolutional neural network
CN107411738A (zh) 一种基于静息脑电相似性的情绪跨个体识别方法
Hsu et al. Automatic sleep stage recurrent neural classifier using energy features of EEG signals
Belkacem et al. Classification of four eye directions from EEG signals for eye-movement-based communication systems
CN106108894A (zh) 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法
Rahnuma et al. EEG analysis for understanding stress based on affective model basis function
Murugappan Electromyogram signal based human emotion classification using KNN and LDA
Baghdadi et al. Dasps: a database for anxious states based on a psychological stimulation
Mangalagowri et al. EEG feature extraction and classification using feed forward backpropogation algorithm for emotion detection
Bahador et al. A correlation-driven mapping for deep learning application in detecting artifacts within the EEG
Yosi et al. Emotion recognition using electroencephalogram signal
Akhanda et al. Detection of cognitive state for brain-computer interfaces
Saini et al. State-of-the-art mental tasks classification based on electroencephalograms: a review
Ouyang et al. Vigilance analysis based on continuous wavelet transform of eeg signals
Alomari et al. Eeg-based classification of imagined fists movements using machine learning and wavelet transform analysis
Vahdani-Manaf Classification of eye movement signals using electrooculography in order to device controlling
Hu et al. EEG authentication system based on auto-regression coefficients
Alazrai et al. EEG-based BCI system for classifying motor imagery tasks of the same hand using empirical mode decomposition
Shashi Kumar et al. Neural network approach for classification of human emotions from EEG signal
Shuzan et al. Machine-learning-based emotion recognition in arousal–valence space using photoplethysmogram signals
Alami et al. Exploring a deeper convolutional neural network architecture with high dropout for motor imagery BCI decoding
Murugappan Frequency band localization on multiple physiological signals for human emotion classification using DWT
Daneshmand-Bahman et al. Anxiety recognition using a new EEG signal analysis approach based on sample density in a Chebyshev chaotic map
Hamzah et al. EEG analysis on actual and imaginary left and right hand lifting using support vector machine (SVM)
Xu et al. Emotional recognition of EEG signals based on fractal dimension

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171201

RJ01 Rejection of invention patent application after publication