CN108042145A - 情绪状态识别方法和系统、情绪状态识别设备 - Google Patents

情绪状态识别方法和系统、情绪状态识别设备 Download PDF

Info

Publication number
CN108042145A
CN108042145A CN201711217371.5A CN201711217371A CN108042145A CN 108042145 A CN108042145 A CN 108042145A CN 201711217371 A CN201711217371 A CN 201711217371A CN 108042145 A CN108042145 A CN 108042145A
Authority
CN
China
Prior art keywords
brain
emotional state
energy
allowance
delta
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
CN201711217371.5A
Other languages
English (en)
Inventor
胡静
赵巍
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.)
Guangzhou Xike Medical Technology Co Ltd
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Xike Medical Technology Co Ltd
Guangzhou Shiyuan Electronics Thecnology Co Ltd
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 Guangzhou Xike Medical Technology Co Ltd, Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Xike Medical Technology Co Ltd
Priority to CN201711217371.5A priority Critical patent/CN108042145A/zh
Publication of CN108042145A publication Critical patent/CN108042145A/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
    • A61B5/16—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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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
    • A61B5/7235—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

Landscapes

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

Abstract

本发明涉及一种情绪状态识别方法和系统、情绪状态识别设备，属于放松训练设备技术领域，所述方法包括：从脑电切片中提取脑电波；计算所述脑电波的能量特征信息；根据所述能量特征信息输入支持向量机回归模型进行样本训练，得到脑电放松度特征识别模型；利用所述脑电放松度特征识别模型对采集的用户脑电信号进行识别，获取放松度等级，并根据所述放松度等级确定所述用户的情绪状态。该方案解决了现有生物反馈仪难以对用户的实际情绪状态作出正确反馈的问题，能够大大提高放松度的识别精度，能够对用户的实际情绪状态作出正确反馈，提高了放松训练设备所导入的指导播放内容的应用效果，另外，还涉及一种情绪状态识别设备。

Description

情绪状态识别方法和系统、情绪状态识别设备
技术领域
本发明涉及放松训练设备技术领域，特别是涉及一种情绪状态识别方法和系统、情绪状态识别设备。
背景技术
情绪是一种综合了人的感觉、思想和行为的状态，它包括人对外界或自身刺激的心理反应，也包括伴随这种心理反应的生理反应。在人的日常工作和生活中，情绪的作用无处不在。在医疗护理中，如果能够知道患者、特别是有表达障碍的患者的情绪状态，就可以根据患者的情绪做出不同的护理措施，提高护理质量。在护理产品开发过程中，如果能够识别出用户使用产品过程中的情绪状态，了解用户体验，就可以改善产品功能，设计出更适合用户需求的产品。
放松训练是情绪疗法中使用最广的技术之一，是在心理学实验的基础上建立和发展起来的咨询和治疗方法。在治疗焦虑抑郁症、神经性头痛、失眠、高血压病，减轻更年期综合征和转变不良行为模式等方面取得了较好的疗效。
在治疗焦虑症及抑郁症方面，近年来的研究比较多，可表明放松训练有显著性疗效，能缓解紧张焦虑及抑郁情绪，促进患者的康复，并可应用于临床作为一种辅助治疗手段。放松训练可以降低中枢神经系统的兴奋性，缓解情绪紧张，使人肌肉松弛，分散对病理体验的注意，逐步达到能以主观意志来控制自身的植物神经功能、内脏活动和代谢活动，调整机体的代偿能力，产生明显的心理生理反应，对人体心身疾病和慢性躯体疾病有明显的康复作用。另外，还可改善个体的记忆力及认知功能，提高学习能力；增强自我调节情绪的能力；有助于消除身心疲劳，加速恢复过程。长期坚持还能消除心理行为障碍、保持心理和躯体健康。
传统的放松训练方案，主要是利用相关放松训练设备进行录音指导、口头指导和借助生物反馈仪进行指导。其中，生物反馈仪的指导基本上能够结合录音指导、口头指导两种方式的优点，但是本发明的发明人在实施过程中发现至少存在如下问题：目前的生物反馈仪，无法有效识别情绪状态，难以对用户的实际情绪状态作出正确反馈，影响了放松训练设备所导入的指导播放内容的应用效果。
发明内容
基于此，有必要针对现有生物反馈仪难以对用户的实际情绪状态作出正确反馈的问题，提供一种情绪状态识别方法和系统、情绪状态识别设备。
一种情绪状态识别方法，包括：
从脑电切片中提取脑电波；
计算所述脑电波的能量特征信息；
根据所述能量特征信息输入支持向量机回归模型进行样本训练，得到脑电放松度特征识别模型；
利用所述脑电放松度特征识别模型对采集的用户脑电信号进行识别，获取放松度等级，并根据所述放松度等级确定所述用户的情绪状态。
一种情绪状态识别系统，包括：
提取模块，用于从脑电切片中提取脑电波；
计算模块，用于计算所述脑电波的能量特征信息；
训练模块，用于根据所述能量特征信息输入支持向量机回归模型进行样本训练，得到脑电放松度特征识别模型；
识别模块，用于利用所述脑电放松度特征识别模型对采集的用户脑电信号进行识别，获取放松度等级，并根据所述放松度等级确定所述用户的情绪状态。
上述情绪状态识别方法和系统，从脑电切片中提取脑电波并计算其能量特征信息，输入支持向量机回归模型进行样本训练，得到脑电放松度特征识别模型，用于对采集的用户脑电信号进行识别，获取放松度等级，并确定所述用户的情绪状态；该方案提取了脑电信号的能量特征信息，能够大大提高放松度的识别精度，能够对用户的实际情绪状态作出正确反馈，提高了放松训练训练设备所导入的指导播放内容的应用效果。
一种情绪状态识别设备，包括：终端设备和电极，所述电极用于采集脑电信号，并传输至终端设备；
所述终端设备被配置为执行上述的情绪状态识别的播放方法的步骤。
上述情绪状态识别设备，通过执行上述的情绪状态识别的播放方法，能够大大提高放松度的识别精度，能够对用户的实际情绪状态作出正确反馈，提高了了放松训练训练设备所导入的指导播放内容的应用效果。
一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的情绪状态识别方法。
上述计算机设备，通过所述处理器上运行的计算机程序，提高了所播放的睡眠辅助内容的科学性，增强了睡眠辅助效果。
一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的情绪状态识别方法。
上述计算机存储介质，通过其存储的计算机程序，提高了所播放的睡眠辅助内容的科学性，增强了睡眠辅助效果。
附图说明
图1为一个实施例的情绪状态识别方法流程图；
图2是原始脑电切片；
图3是基于正态分布距离优化的N点移动平均算法示意图；
图4是支持向量机高维映射示意图；
图5是等高线图的自适应参数选择结果图；
图6是3D图的自适应参数选择结果图；
图7是Shannon小波熵与中心频率-带宽比的关系示意图；
图8为一个实施例的情绪状态识别系统结构示意图；
图9是一种情绪状态识别设备的结构框图。
具体实施方式
下面结合附图阐述本发明的情绪状态识别方法和系统的实施例。
本发明实施例的方案相应的终端设备上，这里的终端设备可以是智能手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)等任意终端设备。所述终端可以包括播放视音频信息等功能，可以搭配耳机等设备。终端设备可以通过有线或无线方式等方式接入公共网络，如Internet网等。终端设备可以连接一采用生物电信号的电极，终端设备运行播放器等工具，向用户播放放松训练内容。
参考图1所示，图1为一个实施例的情绪状态识别方法流程图，包括：
S10，从脑电切片中提取脑电波。
在此步骤中，针对通过脑电信号预处理得到的脑电切片，提取Delta、Theta、Alpha、Beta、Gamma波。
作为实施例，在步骤S10的从脑电切片中提取脑电波的步骤前，还包括如下步骤：
对原始脑电信号进行切片和滤波处理，得到脑电切片；根据基于正态分布距离的权重对所述脑电切片进行平滑处理，去除脑电切片的低频直流信息。
具体的，首先对原始脑电信号进行去平均，抑制基线漂移，去肌电/眼电伪迹等，去除高于100Hz脑电信息等预处理，其次对数据进行滑动切片，便于后续的特征提取。例如对长达数小时甚至更长时间的放松脑电数据进行切片操作，如图2所示，图2是原始脑电切片，脑电切片的移动窗口为30s。
其次，考虑到放松脑电信号的有效频段在0.1-60Hz之间，具体滤波可以如下：
(a)采用FIR低通滤波器滤除高于100Hz脑电电信息，抑制高频噪声；
(b)采用FIR高通滤波器滤除低于0.05Hz脑电电信息，抑制0.05Hz以下的基线漂移。
最后，采用N点移动平均算法进行去直流操作；在本发明实施例中，考虑到滤波器带来的频带衰减、无法精确滤除所需低频直流信息的缺点，提出一种基于正态分布距离优化的N点移动平均算法(N＝5时，效果最好)，以实现更好地去除低频直流信息。
参考图3所示，图3是基于正态分布距离优化的N点移动平均算法示意图，以计算脑电序列的第j(j>(N+1)/2)点的移动平均值x(j)为例，直流操作如公式(1)所示：
其中，p(i)表示原始的脑电信号，x(j)表示平滑后的脑电信号，α(j)表示基于正态分布距离的权重。
权重更新过程如公式(2)所示：
其中，t(j)表示脑电信号的时间，α(j)表示基于正态分布距离的权重，τ表示需要放大的局部信息量的长度
上述方案，避免了将第j点附近的序列点以同样的比重处理，而是通过距离(时间差)赋予其一个比重，假设距离符合正态分布，则可以实现局部信息量的放大，避免距离远的信息对当前序列点的影响。
对于从脑电切片中提取脑电波的过程，采用独立成分分析提取算法(IndependentComponent Analysis，ICA)，提取Delta(0.5～3Hz)、Theta(3～7Hz)、Alpha(8～13Hz)、Beta(14～17Hz)、Gamma(34～Hz)波。
采用ICA的线性组合模型，如公式(3)所示：
X＝AS (3)
式中，X表示观测到的n个随机变量x1，…xn的混合向量，对应为预处理后的脑电切片，S为由m(n≥m)维统计独立的信号分量构成的信号向量，A为m×n维混合矩阵。需要在系数矩阵A和独立信号源S未知的情况下寻找出一个分解矩阵W，将观测信号x中相互独立的信号源S的各分量分离，使分离后的输出：Y＝WX是信号源S的良好估计。
其次，利用了非二次函数来衡量脑电切片的非高斯性，其过程可以用如公式(4)和(5)表示：
w+←E{xg(wTx)T}-E{g'(wTx)}w (4)
w←w+/||w+|| (5)
利用Fast ICA(基于负熵判据的不动点迭代算法)中常用的非二次函数：
g(x)＝tanh(x) (6)
g'(x)＝1-tanh2(x) (7)
对信号源S进行估计，提取Delta、Theta、Alpha、Beta、Gamma波。具体的步骤可以如下：
①对脑电切片的观察信号进行中心化和白化处理；具体的，对观测信号X进行中心化、白化处理。处理后信号x的均值为0，协方差为单位矩阵。
②选择一个具有单位范数的初始化向量；具体的，选择一个具有单位范数的初始化(可随机选取)向量w。
③更新脑电切片的基于正态分布距离的权重；具体的，按照公式(2)更新权重α。
④根据所述更新的权重对所述初始化向量进行更新，具体的，更新W，如公式(4)所示。
⑤进行标准化得到脑电切片的Delta、Theta、Alpha、Beta、Gamma波；具体的，标准化W，如公式(5)所示。
上述技术方案，通过改进独立成分分析提取算法，提取Delta、Theta、Alpha、Beta、Gamma波；能有效的分离出与所需的独立成分，且迭代次数较少。
S20，计算所述脑电波的能量特征信息。
此步骤中，主要是利用提取得到的Delta、Theta、Alpha、Beta、Gamma波，计算其能量特征信息，用于放松度识别。
作为一个实施例，所述能量特征信息包括能量值及其能量分布密度具体的，可以计算Delta、Theta、Alpha、Beta、Gamma波的能量和能量分布密度。首先，提取Delta、Theta、Alpha、Beta、Gamma波的幅度值；假设Delta、Theta、Alpha、Beta、Gamma波的数值代表幅度A，T＝1/fs，因此可以表示为A(t)。Delta、Theta、Alpha、Beta、Gamma波分别为A1(t)～A5(t)，具体计算如下：
(1)计算能量P，即根据所述Delta、Theta、Alpha、Beta、Gamma波的幅度值分别计算Delta、Theta、Alpha、Beta、Gamma波的能量值；如公式(8)所示，其中，积分范围为-T/2到T/2。那么Delta、Theta、Alpha、Beta、Gamma波的能量分别为P1～P5，此时能量P1～P5就代表Delta、Theta、Alpha、Beta、Gamma波信号。
(2)计算能量分布密度S，即根据所述Delta、Theta、Alpha、Beta、Gamma波的能量值计算能量分布密度，如公式(9)所示，其中，ω＝2πf＝2π/T，f为频率，T＝1/f。
其中，S(ω)表示能量分布密度，Delta、Theta、Alpha、Beta、Gamma波的能量分布密度可以分别为S1～S5。
作为另一个实施例，所述能量特征信息包括脑电波的相对谱能量分布和脑电切片的电位线能量特征。所述计算所述脑电波的能量特征信息的步骤可以包括：
根据所述Delta、Theta、Alpha、Beta、Gamma波的频谱边沿频率计算Delta、Theta、Alpha、Beta、Gamma波波形的相对谱能量分布；
根据所述Delta、Theta、Alpha、Beta、Gamma波之间的能量和所述Delta、Theta、Alpha、Beta、Gamma波波形的相对谱能量分布获取脑电切片的电位线能量特征。
(1)计算Delta、Theta、Alpha、Beta、Gamma波之间的能量；例如，针对一个脑电切片，计算Delta、Theta、Alpha、Beta、Gamma波之间的能量P0。
ω＝2πf (11)
(2)分别计算Delta、Theta、Alpha、Beta、Gamma波的频谱边沿频率；例如，计算Delta、Theta、Alpha、Beta、Gamma波的频谱边沿频率的谱能量SEF，相对谱能量分布SEF1～SEF5，计算方法如公式(12)所示。
以Alpha波为例，如公式(13)所示，Alpha波的频谱边沿频率
(3)以此类推，可以计算出所有波形的相对谱能量分布SEF1～SEF5，从而计算得到原始脑电信号的等电位线能量特征SEFEEG，用于放松度识别。
S30，根据所述能量特征信息输入支持向量机(Support Vector Machine，SVM)回归模型进行样本训练，得到脑电放松度特征识别模型。
此步骤中，根据输入的脑电特征参数，通过训练样本建立支持向量机回归模型，并作用于测试样本输出检测结果，实现放松度识别。
作为实施例，步骤S30主要包括如下步骤：
首先，根据所述能量特征信息建立支持向量机回归模型；利用能量特征信息提取样本，针对给定样本对{(xi，yi)，xi∈RN，yi＝{0，1，2，...，100}}，xi为训练样本，x为待判决样本；训练样本集为线性不可分时，则引入非负松驰变量αi，i＝1，2，......，l；在此可以将分类超平面的优化问题转化为公式(14)所示：
s.t.αi≥0,i＝1,2,...l (14)
其中，2/||w||表示分类间隔，使分类间隔最大等价于使||w||2最小，使||w||2最小的分类就成为最优分类面，C为误差惩罚参数。
选取RBF核函数，如公式(15)所示：
K(x,xi)＝exp(-γ*||x-xi||2) (15)
其中γ为RBF核函数的宽度，是支持向量机中一个重要的可调参数。
其次，从脑电切片的能量特征信息获取训练支持向量机的输入样本集和测试集。如图4所示，图4是支持向量机高维映射示意图，应用核函数技术将输入空间中的非线性问题，通过函数映射到高维特征空间中，在高维空间中构造线性判别函数，求解最优超平面，使得超平面与不同类样本集之间的距离最大，从而达到最大的泛化能力。
最后，由于核函数及参数的选择也直接影响到支持向量机分类优劣，为此，本发明实施例提出一种参数自适应调节的支持向量机回归模型训练方法，步骤如下：
Step1：将C设置在[C1，C2]区间内，即C∈[C1，C2]，变化步长为Cs，而γ设置在[γ1，γ2]区间内，即γ∈[γ1，γ2]，变化步长为γs，例如，C∈[2-10，210]，Cs＝2；γ∈[2-10，210]，γs＝2；
针对每对参数(C，γ)进行训练，取效果最好的一对参数作为模型参数，参数寻优效果如图5和图6所示，图5是等高线图的自适应参数选择结果图，图6是3D图的自适应参数选择结果图。
Step2：针对参数不同组合，将训练数据集分成k份相等的子集，每次将其中k－1份数据作为训练数据，而将另外一份数据作为测试数据。重复k次，根据k次迭代后得到的MSE平均值来估计期望泛化误差，并获得交叉验证正确率。
Step3：根据前述参数范围进一步细分网格，得到更精确的参数值，根据交叉验证平均正确率排序，选择分类正确率最高的参数组合作为模型的最优参数。
Step4：将数据重新分成训练集与测试集，利用最优化参数模型训练模型，利用测试数据测试模型性能。
最后，结合输入的放松度评分值和所述支持向量机训练的输出生成支持向量机的训练样本对，进行支持向量机训练，得到脑电放松度特征识别模型。
具体的，基于训练样本对和训练得到的模型的最优参数，得到训练好的支持向量机最优分类模型；将提取得到的特征作为训练支持向量机的输入样本X，结合检测设备同步采集得到的放松度评分值作为标准，也就是支持向量机的输出Y，(X，Y)共同组成支持向量机的训练样本对，进行支持向量机训练。
利用上述方案训练得到的支持向量机模型，将提取得到的特征作为训练支持向量机的输入样本X输入模型，进行脑电放松度识别，识别得到脑电放松度等级(如取值为0～100的整数)。
S40，利用所述脑电放松度特征识别模型对采集的用户脑电信号进行识别，获取放松度等级，并根据所述放松度等级确定所述用户的情绪状态。
此步骤中，对采集的用户脑电信号，通过脑电放松度特征识别模型脑电放松度识别。
针对于脑电放松度还可以进行分级，例如，以取值为0～100的整数为例，各级放松度可以如下：
一级放松度(0～20)：处于“低值区”，表示用户的精神状态表现为强烈的心烦意乱、焦躁不安、行为反常等。
二级放松度(20～40)：“较低值区”，表示用户的精神状态表现为较为强烈的心烦意乱、焦躁不安、行为反常等。
三级放松度(40～60)：“中值区”，表示用户精神状态一般，处于正常水平，没有明显的精神反常，也不是很放松。
四级放松度(60～80)：“较高值区”，也就是说略高于正常水平，即当前情况下用户的专注度或者是放松度比正常情况下要高。
五级放松度(80～100)：“高值区”，表示用户的专注度或放松度达到了非常高的水平，即处于非常放松的状态。
本发明实施例的技术方案，识别得到的放松度就可在放松训练的脑电放松设备、缓解抑郁设备、缓解焦虑设备等上面进行应用来，并作为放松引导内容匹配的基准，可以根据放松度进行放松引导内容的选择、标记和播放，能够精准地选取最适合用户的放松引导内容，搭配耳机，播放给用户；同时伴随着基于放松度的放松引导内容播放音量调制，帮助用户进行放松训练。
针对于S10的从脑电切片中提取脑电波的方法，下面提供若干实施例。
在一个实施例中，可以利用小波熵自适应优化coif3小波中心频率-带宽比。
中心频率和带宽是影响coif3小波时频分辨率关键因素，改变中心频率-带宽比就可以改变coif3小波变换的时频分辨率，当中心频率-带宽比达到最优时，coif3小波变换的时频分辨率最高。
(1)coif3小波的母小波表达式如公式(16)所示；其中，fc表示母波ψ(t)的特征频率，也是中心频率，σt为高斯窗的标准差，通常取值为1，σf为带宽，通常σf＝1/2π·σt。
(2)分析coif3小波的母小波可知，小波波形振荡衰减的快慢由带宽σf决定，波形的振荡频率由中心频率fc决定。根据公式(16)可以计算coif3小波的频率分辨率和时间分辨率，如公式(17)和公式(18)，其中，fs为采样频率，fc为中心频率，σf为带宽，fi为信号分析频率。
(3)利用Shannon熵优化coif3小波变换中心频率-带宽比的方式，用概率分布序列pi来表示小波系数，然后计算pi的值，表达式如公式(19)所示；其中，pi是一个概率分布序列，通过小波系数转换得到，具有不确定性。其转换公式如公式(20)所示，X(fi,t)为小波系数。中心频率-带宽比fc/σf和Shannon小波熵之间的曲线关系，如图7所示，图7是Shannon小波熵与中心频率-带宽比的关系示意图。
当中心频率-带宽比fc/σf＝4.43时，基于Shannon小波熵概率最优理论，可知当Shannon小波熵达到最小值时，coif3小波中心频率-带宽比参数达到最优，对应的基小波就是与特征成分最匹配的小波。
上述公式中，fc表示母波ψ(t)的特征频率，也是中心频率，σt为高斯窗的标准差，通常取值为1，σf为带宽，通常σf＝1/2π·σt；fs为采样频率，fc为中心频率，σf为带宽，fi为信号分析频率，概率分布序列pi来表示小波系数。
其次，确定小波分解层数N和小波重构层数N2～N1，根据香农-奈奎斯特采样原理，设待处理的脑电信号数据的采样频率为fs，目标频段为f1-f2(Hz)，运用小波变换分解的层数为N.由奈奎斯特定律可知，恢复出无失真的原始信号：
f1＝(fs/2)/2N1 (20)
f2＝(fs/2)/2N2 (21)
N＞＝N1(N1＞N2) (22)
需要重构的小波系数为N2～N1层间的所有系数。示例：以Delta(0.5～3Hz)的提取过程为例，脑电信号的采样频率为500Hz，降采样至100Hz。则fs为100Hz。信号最高频率为50Hz.根据公式(20)～(22)可知，每一层对应的频段如下：
表1 9层分解对应的频段表
频段 频率范围/Hz 频段 频率范围/Hz
A1 0～25 D1 25～50
A2 1～12.5 D2 12.5～25
A3 0～6.25 D3 6.25～12.5
A4 0～3.125 D4 3.125～6.25
A5 0～1.625 D5 1.625～3.125
A6 0～0.8125 D6 0.8125～1.625
A7 0～0.40625 D7 0.40625～0.8125
A8 0～0.203125 D8 0.203125～0.4062
A9 0～0.10156 D9 0.10156～0.20312
Delta波的频段范围为0.5～3Hz。因此，选用第5、6、7层的近似系数(D5/D6/D7)来重构信号，得到频率范围为0.5～3Hz的Delta波，以此类推，提取得到其他的Theta、Alpha、Beta、Gamma波。
在一个实施例中，针对预处理得到的脑电切片，采用基于卡尔曼残差优化的卡尔曼滤波器提取算法，提取Delta、Theta、Alpha、Beta、Gamma波。
首先，构造卡尔曼滤波器。
(1)卡尔曼滤波器包括两个主要过程：
预估过程：主要是利用时间更新方程建立对当前状态的先验估计，及时向前推算当前状态变量和误差协方差估计的值，为下一个时间状态构造先验估计值；
校正过程：负责反馈，利用测量更新方程在预估过程的先验估计值及当前测量变量的基础上建立起对当前状态的改进的后验估计。
(2)卡尔曼滤波器的时间更新方程，如公式(23)、(24)所示。
(3)卡尔曼滤波器的状态更新方程，如公式(25)～(26)所示。
其中，为第k步之前的状态已知的情况下第k步的先验状态估计值(－代表先验，代表估计)；A为作用在Xk-1上的n×n状态变换矩阵；B为作用在控制向量Uk-1上的n×1输入控制矩阵。H为m×n观测模型矩阵，将真实状态空间映射成观测空间；为n×n先验估计误差协方差矩阵；Pk为n×n后验估计误差协方差矩阵；R为n×n过程噪声协方差矩阵；I为n×n阶单位矩阵；是指卡尔曼残差；Kk为n×m阶矩阵，即卡尔曼增益或混合因数，是卡尔曼残差的增益系数。
最后，利用构造好的卡尔曼滤波器，提取Delta、Theta、Alpha、Beta、Gamma波。
在一个实施例中，针对预处理得到的脑电切片，采用滑动平均-自回归模型提取算法，提取Delta、Theta、Alpha、Beta、Gamma波。
首先，构建自回归模型AR(p)，如公式(28)所示，B为延迟算子，Byt＝yt-1；p为模型的阶数，表示自回归项数，yt为时间序列的当前值；at为随机干扰，且满足平稳性条件，在AR模型中，当前时刻的观测yt由过去p个历史时刻的观测值和一个当前时刻的随机干扰来表示。
式中，B为延迟算子，Byt＝yt-1；p为模型的阶数，表示自回归项数，yt为时间序列的当前值；at为随机干扰；且满足平稳性条件，在AR模型中，当前时刻的观测yt由过去p个历史时刻的观测值和一个当前时刻的随机干扰来表示。
其次，利用滑动平均法来优化自回归模型，目的降噪，尤其是白噪声，优化手段是使模型的残差最小，假设滑动平均法的阶数为q，则θ(B)＝1-θ1-...-θqBq，滑动平均模型MA(q)如公式(29)所示，当前时刻的观测yt由过去q个历史时刻的观测值和一个当前时刻的随机干扰来表示，yt为时间序列的当前值；at为随机干扰；利用该模型对自回归模型进行优化，则可得到自回归-滑动平均模型，模型ARMA(p，q)以为p、q为模型阶数(p为自回归项数，q为滑动平均项数)，如公式(30)所示，参数含义同上。
yt＝θ(B)·at (29)
式中，yt为时间序列的当前值；at为随机干扰模型ARMA(p，q)以为p、q为模型阶数(p为自回归项数，q为滑动平均项数)。
最后，利用构造好的自回归模型，进行Delta、Theta、Alpha、Beta、Gamma波提取。以delta提取为例，通过估计模型中的加权参数，计算ECG信号的ARMA(p，q)模型的系数矩阵，作为Delta波的特征；其次，结合估计得到的Delta波的特征，采用自相关分离算法，对ECG信号进行抽取，提取得到Delta波。
在一个实施例中，针对预处理得到的脑电切片，采用独立成分分析和小波变换结合的方法，提取Delta、Theta、Alpha、Beta、Gamma波。步骤如下：
Step1：对观测信号x进行中心化、白化处理。
Step2：对含噪信号进行小波变换，获得各分辨率下的小波系数。
Step3：对小波系数进行折中阈值处理。
Step4：进行逆小波变换。
Step5：选择一个具有单位范数的初始化(可随机选取)向量w。
Step6：根据式w←E{zg(wTz)}-E{g'(wTz)}w更新w，其中wTz为z在w上的投影。
Step7：标准化w，w←w/││w││。
Step8：对于多个独立分量，每一次提取一个分量后要从观测信号中减去该独立分量，重复Step6直至所有分量都提取完成为止。去掉已提取的独立分量的方法如公式(31)所示。
假设已经估计了P个分量，当相邻两次的w变化很小或者没有变化时，可认为y＝s，迭代过程结束。
利用独立成分分析和小波变换相结合的方法，依次提取得到脑电的独立分量Delta、Theta、Alpha、Beta、Gamma波。
在一个实施例中，基于在上述S10的从脑电切片中提取脑电波的方法的各个实施例中，可以进行多个组合方式的计算，以Delta波为例，基于信号质量指数，计算权重因子，加权得到最终的Delta波。
首先，对不同方法提取出来的Delta波Y1(t)和Delta波Y2(t)，通过分析信号和干扰的功率谱分布得到反映信号质量好坏的权重因子μ1和μ2。
其次，计算最终的Delta波能量，P＝μ1*P1+μ2*P2，特别地，当P1的信号质量特别差(低于基准阈值)的时候，直接采用P2，反之亦然；高于基准阈值时，融合，加权求和，通过模拟器数据分析(实践验证)，结果会更准确。以此类推，融合提取得到其他的Theta、Alpha、Beta、Gamma波。
针对于S20的计算所述脑电波的能量特征信息的方法，下面提供若干实施例。
在一个实施例中，利用时间延迟-相空间分布密度算法提取Delta、Theta、Alpha、Beta、Gamma波能量以及原始脑电幅度的相空间分布密度，来体现波形的分布离散程度，实现放松度识别，时间延迟-相空间分布密度算法原理是通过分析信号的相空间轨迹分布特征来识别脑电放松度。步骤如下：
Step1：针对一个切片形成的二维图表，用m×m的方块格子覆盖，本算法选取的m＝40，m可以根据切片的长度作调整，那么总的格子数为m2。
Step2：统计切片内信号覆盖的格子数md。
Step3：计算信号重构轨迹的相空间分布密度d，作为放松度检测的依据。
式中，md是信号覆盖的格子数，m2是总的格子数；分别计算得到每个波(Delta、Theta、Alpha、Beta、Gamma波)的相空间分布密度dP1～dP5；按照同样的方法可以计算脑电原始信号的相空间分布密度dEEG。
在一个实施例中，利用能量密度比率算法提取Delta、Theta、Alpha、Beta、Gamma波之间的能量密度比率，实现放松度识别，步骤如下：
Step1：针对一个切片，计算Delta、Theta、Alpha、Beta、Gamma波之间的能量P(参考有效特征B)。
ω＝2πf (34)
Step2：计算Delta、Theta、Alpha、Beta、Gamma波两两之间的比率，以Alpha和Delta的比率为例，如公式(35)所示。
式中，能量P，其中，ω＝2πf＝2π/T为角频率，f为频率，T＝1/f为时间常数。
Step3：以此类推，可以计算出所有波形之间的能量比率。
在一个实施例中，采用频率均方根算法提取Delta、Theta、Alpha、Beta、Gamma波的频率均方根，步骤如下：
Step1：如上述实施例的方案及公式(33)～(34)。
Step2：计算Delta、Theta、Alpha、Beta、Gamma波的频率均方根，如公式3所示。以Alpha为例，如公式(38)所示。
Step3：以此类推，可以计算出所有波形的频率均方根。
在一个实施例中，采用相对谱能量分布算法提取Delta、Theta、Alpha、Beta、Gamma波的相对谱能量分布，步骤如下：
Step1：如上述实施例的方案及公式(33)～(34)。
Step2：计算Delta、Theta、Alpha、Beta、Gamma波的相对谱能量分布RSE，如公式3所示，其中，Bi表示第i个频段；fL＝0.5Hz，fH＝50Hz，表示整个频段。以Alpha为例，如公式4所示
Step3：以此类推，可以计算出所有波形的相对谱能量分布RSE1～RSE5。
在一个实施例中，采用频谱边沿频率算法提取Delta、Theta、Alpha、Beta、Gamma波的频谱边沿频率，步骤如下：
Step1：如上述实施例的方案及公式(33)～(34)。
Step2：计算Delta、Theta、Alpha、Beta、Gamma波的频谱边沿频率SEF，如公式(42)所示。以Alpha为例，如公式(43)所示
Step3：以此类推，可以计算出所有波形的相对谱能量分布SEF1～SEF5，用于放松度识别。
在一个实施例中，采用能量熵算法提取Delta、Theta、Alpha、Beta、Gamma波的能量熵，步骤如下：
Step1：如上述实施例的方案及公式(33)～(34)。
Step2：计算Delta、Theta、Alpha、Beta、Gamma波信号的能量熵EE，如公式3所示。
Step3：以此类推，可以计算出所有波形的能量熵EE1～EE5。
在一个实施例中，采用香农熵算法提取Delta、Theta、Alpha、Beta、Gamma波的能量熵，步骤如下：
Step1：如上述实施例的方案及公式(33)～(34)。
Step2：计算Delta、Theta、Alpha、Beta、Gamma波信号的香农熵SE，如公式(45)所示。
Step3：以此类推，可以计算出所有波形的香农熵SE1～SE5。
以上为计算所述脑电波的能量特征信息的方法的多个实施例，在实际应用中，可以采用任意一种方法来计算所述脑电波的能量特征信息，用于放松度识别。
参考图8所示，图8为一个实施例的情绪状态识别系统结构示意图，包括：
提取模块10，用于从脑电切片中提取脑电波；
计算模块20，用于计算所述脑电波的能量特征信息；
训练模块30，用于根据所述能量特征信息输入支持向量机回归模型进行样本训练，得到脑电放松度特征识别模型；
识别模块40，用于利用所述脑电放松度特征识别模型对采集的用户脑电信号进行识别，获取放松度等级，并根据所述放松度等级确定所述用户的情绪状态。
本发明的情绪状态识别系统与本发明的情绪状态识别方法一一对应，在上述情绪状态识别方法的实施例阐述的技术特征及其有益效果均适用于情绪状态识别系统的实施例中，特此声明。
一种情绪状态识别设备，包括：终端设备110和电极120，所述电极120用于采集脑电信号，并传输至终端设备110；所述终端设备110被配置为执行上述任意实施例所述的情绪状态识别的播放方法的步骤。
参考图9所示，图9是一种情绪状态识别设备的结构框图，终端设备110可以连接一采用生物电信号的电极120，终端设备110上还可运行播放器，用于播放放松引导内容。
基于如上所述的示例，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现如上述各实施例中的任意一种情绪状态识别方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述各情绪状态识别方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
据此，在一个实施例中还提供一种存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述各实施例中的任意一种情绪状态识别方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种情绪状态识别方法，其特征在于，包括：
从脑电切片中提取脑电波；
计算所述脑电波的能量特征信息；
根据所述能量特征信息输入支持向量机回归模型进行样本训练，得到脑电放松度特征识别模型；
利用所述脑电放松度特征识别模型对采集的用户脑电信号进行识别，获取放松度等级，并根据所述放松度等级确定所述用户的情绪状态。
2.根据权利要求1所述的情绪状态识别方法，其特征在于，所述从脑电切片中提取脑电波的步骤包括：
对脑电切片的观察信号进行中心化和白化处理；
选择一个具有单位范数的初始化向量；
更新脑电切片的基于正态分布距离的权重；
根据所述更新的权重对所述初始化向量进行更新，并进行标准化得到脑电切片的Delta、Theta、Alpha、Beta、Gamma波。
3.根据权利要求2所述的情绪状态识别方法，其特征在于，所述能量特征信息包括能量值及其能量分布密度；
所述计算所述脑电波的能量特征信息的步骤包括：
提取Delta、Theta、Alpha、Beta、Gamma波的幅度值；
根据所述Delta、Theta、Alpha、Beta、Gamma波的幅度值分别计算Delta、Theta、Alpha、Beta、Gamma波的能量值；
根据所述Delta、Theta、Alpha、Beta、Gamma波的能量值计算能量分布密度。
4.根据权利要求2所述的情绪状态识别方法，其特征在于，所述能量特征信息包括脑电波的相对谱能量分布和脑电切片的电位线能量特征；
所述计算所述脑电波的能量特征信息的步骤包括：
计算Delta、Theta、Alpha、Beta、Gamma波之间的能量；
分别计算Delta、Theta、Alpha、Beta、Gamma波的频谱边沿频率；
根据所述Delta、Theta、Alpha、Beta、Gamma波的频谱边沿频率计算Delta、Theta、Alpha、Beta、Gamma波波形的相对谱能量分布；
根据所述Delta、Theta、Alpha、Beta、Gamma波之间的能量和所述Delta、Theta、Alpha、Beta、Gamma波波形的相对谱能量分布获取脑电切片的电位线能量特征。
5.根据权利要求1所述的情绪状态识别方法，其特征在于，根据所述能量特征信息输入支持向量机回归模型进行样本训练，得到脑电放松度特征识别模型的步骤包括：
根据所述能量特征信息建立支持向量机回归模型；
从脑电切片的能量特征信息获取训练支持向量机的输入样本集和测试集；
结合输入的放松度评分值和所述支持向量机训练的输出生成支持向量机的训练样本对，进行支持向量机训练，得到脑电放松度特征识别模型。
6.根据权利要求1所述的情绪状态识别方法，其特征在于，所述从脑电切片中提取脑电波的步骤前，还包括：
对原始脑电信号进行切片和滤波处理，得到脑电切片；
根据基于正态分布距离的权重对所述脑电切片进行平滑处理，去除脑电切片的低频直流信息。
7.一种情绪状态识别系统，其特征在于，包括：
提取模块，用于从脑电切片中提取脑电波；
计算模块，用于计算所述脑电波的能量特征信息；
训练模块，用于根据所述能量特征信息输入支持向量机回归模型进行样本训练，得到脑电放松度特征识别模型；
识别模块，用于利用所述脑电放松度特征识别模型对采集的用户脑电信号进行识别，获取放松度等级，并根据所述放松度等级确定所述用户的情绪状态。
8.一种情绪状态识别设备，其特征在于，包括：终端设备和电极，所述电极用于采集脑电信号，并传输至终端设备；
所述终端设备被配置为执行权利要求1至6任一项所述的情绪状态识别的播放方法的步骤。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的情绪状态识别的播放方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6任意一项所述的情绪状态识别的播放方法。
CN201711217371.5A 2017-11-28 2017-11-28 情绪状态识别方法和系统、情绪状态识别设备 Pending CN108042145A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711217371.5A CN108042145A (zh) 2017-11-28 2017-11-28 情绪状态识别方法和系统、情绪状态识别设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711217371.5A CN108042145A (zh) 2017-11-28 2017-11-28 情绪状态识别方法和系统、情绪状态识别设备

Publications (1)

Publication Number Publication Date
CN108042145A true CN108042145A (zh) 2018-05-18

Family

ID=62121011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711217371.5A Pending CN108042145A (zh) 2017-11-28 2017-11-28 情绪状态识别方法和系统、情绪状态识别设备

Country Status (1)

Country Link
CN (1) CN108042145A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108829244A (zh) * 2018-05-29 2018-11-16 Oppo广东移动通信有限公司 音量调节方法及相关设备
CN108836324A (zh) * 2018-05-16 2018-11-20 广东工业大学 一种基于脑电信号监测的疲劳驾驶预警方法及系统
CN109157231A (zh) * 2018-10-24 2019-01-08 阿呆科技（北京）有限公司 基于情绪刺激任务的便携式多通道抑郁倾向评估系统
CN109685149A (zh) * 2018-12-28 2019-04-26 杭州翼兔网络科技有限公司 情绪精细划归模型构建及自动进行情绪精细获取的方法
WO2019144709A1 (zh) * 2018-01-29 2019-08-01 阿里巴巴集团控股有限公司 梦境重现模型的构建方法、梦境重现方法及装置
CN112034977A (zh) * 2019-06-04 2020-12-04 陈涛 Mr智能眼镜内容交互、信息输入、应用推荐技术的方法
CN112270235A (zh) * 2020-10-20 2021-01-26 西安工程大学 一种改进的svm脑电信号情绪识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101966080A (zh) * 2010-10-26 2011-02-09 东北大学 便携式动态脑电监护仪及其控制方法
CN102715911A (zh) * 2012-06-15 2012-10-10 天津大学 基于脑电特征的情绪状态识别方法
CN103845137A (zh) * 2014-03-19 2014-06-11 北京工业大学 基于稳态视觉诱发脑机接口的机器人控制方法
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
CN106682605A (zh) * 2016-12-20 2017-05-17 广州视源电子科技股份有限公司 一种识别脑电放松度的方法及系统
CN106963369A (zh) * 2017-03-27 2017-07-21 广州视源电子科技股份有限公司 一种基于神经网络模型的脑电放松度识别方法及装置
CN106963370A (zh) * 2017-03-27 2017-07-21 广州视源电子科技股份有限公司 一种基于支持向量机的脑电放松度识别方法及装置
CN107007290A (zh) * 2017-03-27 2017-08-04 广州视源电子科技股份有限公司 基于时域及相空间的脑电放松度识别方法及装置
CN107219927A (zh) * 2017-06-02 2017-09-29 辽宁工业大学 一种模式识别方法和脑电波信号处理方法以及基于脑电波的智能家居控制系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101966080A (zh) * 2010-10-26 2011-02-09 东北大学 便携式动态脑电监护仪及其控制方法
CN102715911A (zh) * 2012-06-15 2012-10-10 天津大学 基于脑电特征的情绪状态识别方法
CN103845137A (zh) * 2014-03-19 2014-06-11 北京工业大学 基于稳态视觉诱发脑机接口的机器人控制方法
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
CN106682605A (zh) * 2016-12-20 2017-05-17 广州视源电子科技股份有限公司 一种识别脑电放松度的方法及系统
CN106963369A (zh) * 2017-03-27 2017-07-21 广州视源电子科技股份有限公司 一种基于神经网络模型的脑电放松度识别方法及装置
CN106963370A (zh) * 2017-03-27 2017-07-21 广州视源电子科技股份有限公司 一种基于支持向量机的脑电放松度识别方法及装置
CN107007290A (zh) * 2017-03-27 2017-08-04 广州视源电子科技股份有限公司 基于时域及相空间的脑电放松度识别方法及装置
CN107219927A (zh) * 2017-06-02 2017-09-29 辽宁工业大学 一种模式识别方法和脑电波信号处理方法以及基于脑电波的智能家居控制系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
俞一彪: "《数字信号处理 理论与应用 第3版》", 30 September 2017 *
白小平: "四类运动想象脑电信号特征分析与提取", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019144709A1 (zh) * 2018-01-29 2019-08-01 阿里巴巴集团控股有限公司 梦境重现模型的构建方法、梦境重现方法及装置
CN108836324A (zh) * 2018-05-16 2018-11-20 广东工业大学 一种基于脑电信号监测的疲劳驾驶预警方法及系统
CN108829244A (zh) * 2018-05-29 2018-11-16 Oppo广东移动通信有限公司 音量调节方法及相关设备
CN109157231A (zh) * 2018-10-24 2019-01-08 阿呆科技（北京）有限公司 基于情绪刺激任务的便携式多通道抑郁倾向评估系统
CN109685149A (zh) * 2018-12-28 2019-04-26 杭州翼兔网络科技有限公司 情绪精细划归模型构建及自动进行情绪精细获取的方法
CN109685149B (zh) * 2018-12-28 2021-04-27 江苏智慧工场技术研究院有限公司 情绪精细划归模型构建及自动进行情绪精细获取的方法
CN112034977A (zh) * 2019-06-04 2020-12-04 陈涛 Mr智能眼镜内容交互、信息输入、应用推荐技术的方法
CN112034977B (zh) * 2019-06-04 2022-07-19 陈涛 Mr智能眼镜内容交互、信息输入、应用推荐技术的方法
CN112270235A (zh) * 2020-10-20 2021-01-26 西安工程大学 一种改进的svm脑电信号情绪识别方法

Similar Documents

Publication Publication Date Title
CN108042145A (zh) 情绪状态识别方法和系统、情绪状态识别设备
CN112656427B (zh) 一种基于维度模型的脑电信号情绪识别方法
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
Pavlov et al. Wavelet analysis in neurodynamics
Alkan et al. Identification of EMG signals using discriminant analysis and SVM classifier
Sykacek et al. Adaptive BCI based on variational Bayesian Kalman filtering: an empirical evaluation
CN106709469B (zh) 基于脑电和肌电多特征的自动睡眠分期方法
Mammone et al. Automatic artifact rejection from multichannel scalp EEG by wavelet ICA
CN107811626A (zh) 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN109674468A (zh) 一种单导脑电自动睡眠分期方法
Álvarez-Meza et al. Time-series discrimination using feature relevance analysis in motor imagery classification
CN107736894A (zh) 一种基于深度学习的心电信号情绪识别方法
CN107260166A (zh) 一种实用化在线脑电伪迹剔除方法
CN114533086B (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
CN103699873A (zh) 基于ga-bp神经网络下肢平地行走步态识别方法
CN107951496A (zh) 基于多尺度熵分析心身关联性的方法及系统
CN104035563B (zh) 基于w‑pca和无监督ghsom的脑电信号识别方法
Dash et al. Towards a Speaker Independent Speech-BCI Using Speaker Adaptation.
CN107998500A (zh) 睡眠辅助内容的播放方法和系统、睡眠辅助装置
KR20080107961A (ko) 오감 정보 처리기법 및 뇌파를 활용한 사용자 적응형임상진단/치료시스템
Phinyomark et al. Applications of variance fractal dimension: A survey
Ming-Ai et al. Feature extraction and classification of mental EEG for motor imagery
CN107998499A (zh) 睡眠辅助内容的处理方法和系统、睡眠辅助服务器系统
Coyle et al. Extracting features for a brain-computer interface by self-organising fuzzy neural network-based time series prediction
Petersen et al. Convolutive blind source separation of surface EMG measurements of the respiratory muscles

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180518