CN108836364A - 基于脑波能量聚类分析的心理状态判定方法及系统 - Google Patents
基于脑波能量聚类分析的心理状态判定方法及系统 Download PDFInfo
- Publication number
- CN108836364A CN108836364A CN201810351477.2A CN201810351477A CN108836364A CN 108836364 A CN108836364 A CN 108836364A CN 201810351477 A CN201810351477 A CN 201810351477A CN 108836364 A CN108836364 A CN 108836364A
- Authority
- CN
- China
- Prior art keywords
- wave
- energy
- state
- under
- current
- 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
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000006996 mental state Effects 0.000 title abstract description 14
- 238000007621 cluster analysis Methods 0.000 title abstract 3
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000003340 mental effect Effects 0.000 claims description 62
- 230000008451 emotion Effects 0.000 claims description 40
- 230000002964 excitative effect Effects 0.000 claims description 26
- 230000002996 emotional effect Effects 0.000 claims description 24
- 238000012880 independent component analysis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000005281 excited state Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000000537 electroencephalography Methods 0.000 description 15
- 238000011160 research Methods 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- A61B5/316—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
- A61B5/24—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
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Psychiatry (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种基于脑波能量聚类分析的心理状态判定方法及与之对应的系统；方法包括如下步骤：(10)脑波信号采集：采集不同心理情绪状态脑波信号；(20)信号预处理：对脑波信号预处理；(30)能量数据获取：计算特定心理状态脑波中δ波、θ波、α波和β波的能量；(40)不同心态能量聚类中心计算：通过聚类分析算法，计算不同心理情绪状态下脑波能量聚类中心；(50)当前心态能量计算：采集当前心理情绪状态下的脑波信号并计算脑波能量；(60)当前心态判定：计算当前脑波能量与脑波能量聚类中心的距离，判定当前心理情绪状态。本发明的心理状态判断方法及系统，通过确定脑波与心理状态的定量关系，能准确预测判断心理状态。
Description
技术领域
本发明属于脑电信号测量及心理术装置技术领域，特别是一种基于脑波能量聚类分析的心理状态判定方法及系统。
背景技术
相关研究表明，利用脑电信号(EEG，Electroencephalography)能够直接反映大脑的活动状态,EEG已成为大脑活跃研究中广泛采用的评定中枢神经系统变化的重要依据。
脑电信号可以分解为如表1所示的4个基本节律，即δ波、θ波、α波和β波。
表1脑电信号基本节律
这4个节律的能量会随着大脑活跃度的变化而变化。当α波和β波呈主导优势时，表明人的意识是清醒的，大脑活跃；而当θ波和δ波占主导优势时，则表明了人的意识模糊甚至轻微睡眠的出现。人的心理情绪状态可以积极高兴奋(高兴、骄傲、希望、兴趣)，积极低兴奋(放松、平静、满足)，消极高兴奋(焦虑、愤怒、羞愧)，消极低兴奋(厌倦、无助、沮丧、疲乏--心烦)。当人处于一种特定的心理情绪状态时，人脑的活跃度指数也相对稳定。通过将人脑波信号特征与人的心理情绪状态关联起来，对于人的心理情绪分析判断具有重要作用。
目前，关于脑电信号的研究主要集中在脑波学习和脑波控制领域，很少在通过对人的不同心理状态下的脑波进行聚类分析研究，导致不能准确确定脑波与心理状态的定量关系，难以准确预测判断心理状态。
发明内容
本发明的目的在于提供一种基于脑波能量聚类分析的心理状态判定方法，确定脑波与心理状态的定量关系，准确预测判断心理状态
本发明的另一目的在于提供一种基于脑波能量聚类分析的心理状态判定系统。
实现本发明目的的技术解决方案为：
一种基于脑波能量聚类分析的心理状态判定方法，包括如下步骤：
(10)脑波信号采集：采集人在不同心理情绪状态下的脑波信号；
(20)信号预处理：对采集到的脑波信号进行独立分量分析处理和傅里叶变换，去除明显的漂移数据，以及与脑电信号无关的杂波；
(30)能量数据获取：设置对于不同心理情绪状态下采集脑波次数，计算特定心理状态脑波中δ波、θ波、α波和β波的能量；
(40)不同心态能量聚类中心计算：通过聚类分析算法，计算不同心理情绪状态下采集到的脑波δ波、θ波、α波和β波的能量聚类中心；
(50)当前心态能量计算：采集当前心理情绪状态下的脑波信号并计算该心理情绪状态下脑波中δ波、θ波、α波和β波能量；
(60)当前心态判定：计算当前心理情绪状态下脑波δ波、θ波、α波和β波能量与不同心理情绪状态下脑波δ波、θ波、α波和β波的能量聚类中心的距离，将当前心理情绪状态判定为与其距离最近的聚类中心所属心理情绪状态。
实现本发明另一目的的技术解决方案为：
一种基于脑波能量聚类分析的心理状态判定系统，包括：
脑波信号采集单元1：用于采集人在不同心理情绪状态下的脑波信号；
信号预处理单元2：对采集到的脑波信号进行独立分量分析处理和傅里叶变换，去除明显的漂移数据，以及与脑电信号无关的杂波；
能量数据获取单元3：设置对于不同心理情绪状态下采集脑波次数，计算特定心理状态脑波中δ波、θ波、α波和β波的能量；
不同心态能量聚类中心计算单元4：通过聚类分析算法，计算不同心理情绪状态下采集到的脑波δ波、θ波、α波和β波的能量聚类中心；
当前心态能量计算单元5：采集当前心理情绪状态下的脑波信号并计算该心理情绪状态下脑波中δ波、θ波、α波和β波能量；
当前心态判定单元6：计算当前心理情绪状态下脑波δ波、θ波、α波和β波能量与不同心理情绪状态下脑波δ波、θ波、α波和β波的能量聚类中心的距离，将当前心理情绪状态判定为与其距离最近的聚类中心所属心理情绪状态。
本发明与现有技术相比，其显著优点为：能够确定脑波与心理状态的定量关系，准确预测判断心理状态。因为：
本发明通过监测采集人处于不同心理状态脑波数据，采用聚类分析算法计算不同心理状态脑波的聚类中心，通过计算当前脑波与不同状态脑波聚类中心的最小距离，判断当前心理状态。该方法通过对不同心理状态下脑波聚类分析学习，研究发现脑波与心理状态的关系，为预测判断心理状态具有重要意义，是对于研究心理状态与脑波关系的重要创新和突破。
下面结合附图和具体实施方式对本发明作进一步的详细描述。
附图说明
图1为本发明基于脑波能量聚类分析的心理状态判断方法的主流程图。
图2为图1中当前心态判定步骤的流程图。
具体实施方式
如图1所示，本发明基于脑波能量聚类分析的心理状态判定方法，其包括如下步骤：
(10)脑波信号采集：采集人在不同心理情绪状态下的脑波信号；
所述(10)脑波信号采集步骤中不同心理情绪状态包括积极高兴奋状态、积极低兴奋状态、消极高兴奋状态和消极低兴奋状态。
脑波信号可以通过可佩戴脑波装置采集，然后通过蓝牙、wifi等无线传输手段把脑波信号传输到脑波信号处理终端，这样做的好处是让脑波采集装置和信号处理装置分离，既可以由使用者自行模拟特定状态采集脑波信号，也可以由他人在不影响使用者情绪状态的情况下，进行信号采集，可大大提高脑波信号采集效率。
(20)信号预处理：对采集到的脑波信号进行独立分量分析处理和傅里叶变换，去除明显的漂移数据，以及与脑电信号无关的杂波；
对采集到的脑波数据预处理去除明显的漂移数据，然后进行独立分量分析，去除和脑电信号无关的杂波。由于脑波采集装置采集到的脑波信号可能包括眼电和肌电干扰信号，如果直接使用原始信号进行计算和分析，必然导致脑波信号有误差，大大降低对于特定状态大脑各波段信号采集的准确性，因此，有必要对脑波采集装置采集到的脑波信号进行独立分量分析处理、傅里叶变换，去除和脑电信号无关的杂波。
(30)能量数据获取：设置对于不同心理情绪状态下采集脑波次数，计算特定心理状态脑波中δ波、θ波、α波和β波的能量；
脑电信号可以分解为4个基本节律，即δ波、θ波、α波和β波。
对经由独立变量分析处理去除了眼电和肌电干扰后的脑电波主导关系进行分析，并计算相应的特征参数，可以实现对脑波能量进行计算。δ波、θ波、α波、β波所对应的频率范围分别是1～3.8Hz、4～7.8Hz、8～12.8Hz、13～30Hz。
所述(30)能量数据获取步骤具体为，根据下式计算特定心理状态脑波中δ波、θ波、α波和β波的能量：
式中，总采样点数为N，为采样点，Pi为利用周期图法估计出的功率谱密度,fs为采样频率，Eδ,Eθ,Eα,Eβ分别表示δ波、θ波、α波、β波对应的能量。
(40)不同心态能量聚类中心计算：通过聚类分析算法，计算不同心理情绪状态下采集到的脑波δ波、θ波、α波和β波的能量聚类中心；
通过聚类分析算法，计算不同心理情绪状态下采集到的脑波δ波、θ波、α波和β波的功率谱密度的聚类中心，也就是在积极高兴奋，积极低兴奋，消极高兴奋，消极低兴奋四种状态下，分别计算采集脑波样本在脑波δ波、θ波、α波和β波中功率谱密度的均值做为不同分类的质心。设经过计算积极高兴奋，积极低兴奋，消极高兴奋，消极低兴奋四种状态下脑波δ波、θ波、α波和β波能量均值中心分别为:每个均值中心又分别可以表示为脑波δ波、θ波、α波和β波能量均值。
所述(40)不同心态能量聚类中心计算步骤具体为：
假设分别在积极高兴奋状态、积极低兴奋状态、消极高兴奋状态和消极低兴奋状态下采集了n个脑波信号，其中δ波段的积极高兴奋状态的均值计算方法如下式所示：
其中，i∈(1,n),Eδjgi表示δ波段第i个脑波信号的积极高兴奋状态能量值。
积极高兴奋状态下能量均值为：
即：
同理，可以计算积极低兴奋状态下能量均值为：
即：
消极高兴奋状态下能量均值为：
即：
消极低兴奋状态下能量均值为：
即：
其中，积极高兴奋，积极低兴奋，消极高兴奋，消极低兴奋四种状态下脑波δ波、θ波、α波和β波能量均值中心分别为:
(50)当前心态能量计算：采集当前心理情绪状态下的脑波信号并计算该心理情绪状态下脑波中δ波、θ波、α波和β波能量；
利用脑波装置采集人在波信号并计算脑波中δ波、θ波、α波和β波功率谱密度。此步骤与(30)能量数据获取步骤相同，设通过计算得到δ波、θ波、α波和β波能量分别为Eδ,Eθ,Eα,Eβ。
(60)当前心态判定：计算当前心理情绪状态下脑波δ波、θ波、α波和β波能量与不同心理情绪状态下脑波δ波、θ波、α波和β波的能量聚类中心的距离，将当前心理情绪状态判定为与其距离最近的聚类中心所属心理情绪状态。
如图2所示，所述(60)当前心态判定步骤包括：
(61)能量距离计算：
假设当前心理情绪状态下脑波δ波、θ波、α波和β波能量为Eδ,Eθ,Eα,Eβ，积极高兴奋状态下聚类中心为：
设当前脑波能量与积极高兴奋状态下脑波聚类中心的距离为Sjg，可通过下式计算：
同理，可计算当前脑波能量与积极低兴奋态下脑波聚类中心的距离Sjd为：
可计算当前脑波能量与消极高兴奋态下脑波聚类中心的距离Sxg为：
可计算当前脑波能量与消极低兴奋态下脑波聚类中心的距离Sxd为：
(62)心态归类：将当前心理情绪状态判定为与其距离最近的聚类中心所属心理情绪状态。
本发明基于脑波能量聚类分析的心理状态判定系统，包括：
脑波信号采集单元1：用于采集人在不同心理情绪状态下的脑波信号；
信号预处理单元2：对采集到的脑波信号进行独立分量分析处理和傅里叶变换，去除明显的漂移数据，以及与脑电信号无关的杂波；
能量数据获取单元3：设置对于不同心理情绪状态下采集脑波次数，计算特定心理状态脑波中δ波、θ波、α波和β波的能量；
不同心态能量聚类中心计算单元4：通过聚类分析算法，计算不同心理情绪状态下采集到的脑波δ波、θ波、α波和β波的能量聚类中心；
当前心态能量计算单元5：采集当前心理情绪状态下的脑波信号并计算该心理情绪状态下脑波中δ波、θ波、α波和β波能量；
当前心态判定单元6：计算当前心理情绪状态下脑波δ波、θ波、α波和β波能量与不同心理情绪状态下脑波δ波、θ波、α波和β波的能量聚类中心的距离，将当前心理情绪状态判定为与其距离最近的聚类中心所属心理情绪状态。
Claims (6)
1.一种基于脑波能量聚类分析的心理状态判定方法，其特征在于，包括如下步骤：
(10)脑波信号采集：采集人在不同心理情绪状态下的脑波信号；
(20)信号预处理：对采集到的脑波信号进行独立分量分析处理和傅里叶变换，去除明显的漂移数据，以及与脑电信号无关的杂波；
(30)能量数据获取：设置对于不同心理情绪状态下采集脑波次数，计算特定心理状态脑波中δ波、θ波、α波和β波的能量；
(40)不同心态能量聚类中心计算：通过聚类分析算法，计算不同心理情绪状态下采集到的脑波δ波、θ波、α波和β波的能量聚类中心；
(50)当前心态能量计算：采集当前心理情绪状态下的脑波信号并计算该心理情绪状态下脑波中δ波、θ波、α波和β波能量；
(60)当前心态判定：计算当前心理情绪状态下脑波δ波、θ波、α波和β波能量与不同心理情绪状态下脑波δ波、θ波、α波和β波的能量聚类中心的距离，将当前心理情绪状态判定为与其距离最近的聚类中心所属心理情绪状态。
2.根据权利要求1所述的心理状态判断方法，其特征在于：
所述(10)脑波信号采集步骤中不同心理情绪状态包括积极高兴奋状态、积极低兴奋状态、消极高兴奋状态和消极低兴奋状态。
3.根据权利要求1所述的心理状态判断方法，其特征在于，所述(30)能量数据获取步骤具体为，根据下式计算特定心理状态脑波中δ波、θ波、α波和β波的能量：
式中,总采样点数为N，采样点Pi为利用周期图法估计出的功率谱密度,fs为采样频率，Eδ,Eθ,Eα,Eβ分别表示δ波、θ波、α波、β波对应的能量。
4.根据权利要求2所述的心理状态判定方法，其特征在于，所述(40)不同心态能量聚类中心计算步骤具体为：
假设分别在积极高兴奋状态、积极低兴奋状态、消极高兴奋状态和消极低兴奋状态下采集了n个脑波信号，其中δ波段的积极高兴奋状态的均值计算方法如下式所示：
其中，i∈(1,n),Eδjgi表示δ波段第i个脑波信号的积极高兴奋状态能量值。
积极高兴奋状态下能量均值为：
即：
同理，可以计算积极低兴奋状态下能量均值为：
即：
消极高兴奋状态下能量均值为：
即：
消极低兴奋状态下能量均值为：
即：
其中，积极高兴奋，积极低兴奋，消极高兴奋，消极低兴奋四种状态下脑波δ波、θ波、α波和β波能量均值中心分别为:
5.根据权利要求4所述的心理状态判定方法，其特征在于，所述(60)当前心态判定步骤包括：
(61)能量距离计算：
假设当前心理情绪状态下脑波δ波、θ波、α波和β波能量为Eδ,Eθ,Eα,Eβ，积极高兴奋状态下聚类中心为：
设当前脑波能量与积极高兴奋状态下脑波聚类中心的距离为Sjg，可通过下式计算：
同理，可计算当前脑波能量与积极低兴奋态下脑波聚类中心的距离Sjd为：
可计算当前脑波能量与消极高兴奋态下脑波聚类中心的距离Sxg为：
可计算当前脑波能量与消极低兴奋态下脑波聚类中心的距离Sxd为：
(62)心态归类：将当前心理情绪状态判定为与其距离最近的聚类中心所属心理情绪状态。
6.一种基于脑波能量聚类分析的心理状态判定系统，其特征在于，包括：
脑波信号采集单元(1)：用于采集人在不同心理情绪状态下的脑波信号；
信号预处理单元(2)：对采集到的脑波信号进行独立分量分析处理和傅里叶变换，去除明显的漂移数据，以及与脑电信号无关的杂波；
能量数据获取单元(3)：设置对于不同心理情绪状态下采集脑波次数，计算特定心理状态脑波中δ波、θ波、α波和β波的能量；
不同心态能量聚类中心计算单元(4)：通过聚类分析算法，计算不同心理情绪状态下采集到的脑波δ波、θ波、α波和β波的能量聚类中心；
当前心态能量计算单元(5)：采集当前心理情绪状态下的脑波信号并计算该心理情绪状态下脑波中δ波、θ波、α波和β波能量；
当前心态判定单元(6)：计算当前心理情绪状态下脑波δ波、θ波、α波和β波能量与不同心理情绪状态下脑波δ波、θ波、α波和β波的能量聚类中心的距离，将当前心理情绪状态判定为与其距离最近的聚类中心所属心理情绪状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810351477.2A CN108836364A (zh) | 2018-04-19 | 2018-04-19 | 基于脑波能量聚类分析的心理状态判定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810351477.2A CN108836364A (zh) | 2018-04-19 | 2018-04-19 | 基于脑波能量聚类分析的心理状态判定方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108836364A true CN108836364A (zh) | 2018-11-20 |
Family
ID=64212160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810351477.2A Pending CN108836364A (zh) | 2018-04-19 | 2018-04-19 | 基于脑波能量聚类分析的心理状态判定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108836364A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112674768A (zh) * | 2019-10-18 | 2021-04-20 | 中国人民解放军战略支援部队航天工程大学 | 一种基于智能汗带的情绪分析系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184015A (zh) * | 2011-05-16 | 2011-09-14 | 上海电机学院 | 一种基于阈值分析的脑电信号快速分类的方法 |
| CN103876736A (zh) * | 2014-04-11 | 2014-06-25 | 北京工业大学 | 一种基于功率谱划分的复杂度谱脑电预测和诊断方法 |
| 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 |
| CN105929966A (zh) * | 2016-05-18 | 2016-09-07 | 王之腾 | 一种可自适应学习的脑波控制外围设备方法 |
| CN106388818A (zh) * | 2016-09-21 | 2017-02-15 | 广州视源电子科技股份有限公司 | 睡眠状态监测模型的特征信息提取方法和系统 |
| CN106491125A (zh) * | 2016-11-04 | 2017-03-15 | 广州视源电子科技股份有限公司 | 一种脑电状态识别方法及装置 |
| CN107193378A (zh) * | 2017-05-20 | 2017-09-22 | 吉林大学 | 基于脑电波机器学习的情感判定装置及方法 |
| CN107273841A (zh) * | 2017-06-09 | 2017-10-20 | 北京工业大学 | 一种基于emd及高斯核函数svm的脑电情感分类方法 |
| CN107320115A (zh) * | 2017-07-04 | 2017-11-07 | 重庆大学 | 一种自适应的精神疲劳评估装置及方法 |
-
2018
- 2018-04-19 CN CN201810351477.2A patent/CN108836364A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184015A (zh) * | 2011-05-16 | 2011-09-14 | 上海电机学院 | 一种基于阈值分析的脑电信号快速分类的方法 |
| CN103876736A (zh) * | 2014-04-11 | 2014-06-25 | 北京工业大学 | 一种基于功率谱划分的复杂度谱脑电预测和诊断方法 |
| 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 |
| CN105929966A (zh) * | 2016-05-18 | 2016-09-07 | 王之腾 | 一种可自适应学习的脑波控制外围设备方法 |
| CN106388818A (zh) * | 2016-09-21 | 2017-02-15 | 广州视源电子科技股份有限公司 | 睡眠状态监测模型的特征信息提取方法和系统 |
| CN106491125A (zh) * | 2016-11-04 | 2017-03-15 | 广州视源电子科技股份有限公司 | 一种脑电状态识别方法及装置 |
| CN107193378A (zh) * | 2017-05-20 | 2017-09-22 | 吉林大学 | 基于脑电波机器学习的情感判定装置及方法 |
| CN107273841A (zh) * | 2017-06-09 | 2017-10-20 | 北京工业大学 | 一种基于emd及高斯核函数svm的脑电情感分类方法 |
| CN107320115A (zh) * | 2017-07-04 | 2017-11-07 | 重庆大学 | 一种自适应的精神疲劳评估装置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 袁海云: "基于脑电信号的情绪分类研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112674768A (zh) * | 2019-10-18 | 2021-04-20 | 中国人民解放军战略支援部队航天工程大学 | 一种基于智能汗带的情绪分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105877766B (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
| 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 | |
| CN110604565A (zh) | 一种基于便携式eeg设备的脑部健康筛查方法 | |
| CN105286890B (zh) | 一种基于脑电信号的驾驶员瞌睡状态监测方法 | |
| US11039784B2 (en) | Sleep profiling system with feature generation and auto-mapping | |
| CN112274162B (zh) | 基于生成对抗域自适应的跨被试eeg疲劳状态分类方法 | |
| CN105929966B (zh) | 一种可自适应学习的脑波控制外围设备方法 | |
| CN105105773B (zh) | 一种基于多阈值比较的疲劳驾驶脑电监测方法 | |
| CN113743471A (zh) | 一种驾驶评估方法及其系统 | |
| CN110013249A (zh) | 一种便携式可调式的头戴癫痫监测仪 | |
| CN115736902A (zh) | 一种基于智能穿戴设备的施工人员管理系统 | |
| CN109222950A (zh) | 数据处理方法及装置 | |
| CN108542386A (zh) | 一种基于单通道eeg信号的睡眠状态检测方法和系统 | |
| CN110367975A (zh) | 一种基于脑机接口的疲劳驾驶检测预警方法 | |
| CN113951903B (zh) | 基于脑电数据测定的高速铁路调度员超负荷状态识别方法 | |
| CN110141258A (zh) | 一种情绪状态检测方法、设备及终端 | |
| CN109521873A (zh) | 基于协作式脑机接口控制系统及信号协作方法 | |
| CN107193378A (zh) | 基于脑电波机器学习的情感判定装置及方法 | |
| CN113749619A (zh) | 一种基于k-trca的脑力疲劳评估方法 | |
| CN115804575A (zh) | 一种基于脉搏信号的个性化生理状态聚类判别系统 | |
| CN108470182B (zh) | 一种用于非对称脑电特征增强与识别的脑-机接口方法 | |
| CN114557708B (zh) | 基于脑电双特征融合的体感刺激意识检测装置和方法 | |
| Zhuang et al. | Enhanced automatic sleep spindle detection: a sliding window-based wavelet analysis and comparison using a proposal assessment method | |
| CN111685779A (zh) | 一种基于便携式eeg设备的精神分裂障碍筛查方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181120 |