CN109190570A - 一种基于离散小波变换和多尺度熵的脑电情感识别方法 - Google Patents

一种基于离散小波变换和多尺度熵的脑电情感识别方法 Download PDF

Info

Publication number
CN109190570A
CN109190570A CN201811057122.9A CN201811057122A CN109190570A CN 109190570 A CN109190570 A CN 109190570A CN 201811057122 A CN201811057122 A CN 201811057122A CN 109190570 A CN109190570 A CN 109190570A
Authority
CN
China
Prior art keywords
entropy
wavelet
scale
sample
value
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
CN201811057122.9A
Other languages
English (en)
Inventor
牛群峰
周季冬
王莉
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.)
Henan University of Technology
Original Assignee
Henan University of Technology
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 Henan University of Technology filed Critical Henan University of Technology
Priority to CN201811057122.9A priority Critical patent/CN109190570A/zh
Publication of CN109190570A publication Critical patent/CN109190570A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (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离散小波变换和多尺度熵的脑电情感识别方法，先用小波变换分解重构出四种节律波，并计算出四种节律波的小波能量以及小波熵值，然后又运用多尺度熵算法，提取出十四种尺度下的多尺度熵值，最后用主成分分析法对这些特征量进行降维后放入经遗传算法参数寻优的SVM分类器中识别。本发明同时考虑脑电情感数据集中数据的非线性和非平稳性特性，保证了该方法的分类精度、准确率和执行速度。

Description

一种基于离散小波变换和多尺度熵的脑电情感识别方法
技术领域
本发明涉及生物信息技术领域以及数据挖掘领域，具体涉及一种基于离散小波变换(Discrete Wavelet Transform，DWT)与多尺度熵(Multi-Scale Entropy，MSE)相结合的脑电情感识别方法。
背景技术
近年来，随着计算机领域的飞速发展人工智能的研究已经达到了较高水平，因此其研究内容也在进一步的延伸。机器对人的情感进行识别是人工智能领域重要的应用延伸之一，这方面的研究会大大促进拟人机器人、人性化的商品设计以及情感沟通机器人等领域的发展，具有十分重要的意义。目前，在情感识别研究领域中，利用脑电信号(Electroencephalogram，EEG)来进行情感识别是主要研究方向之一，其特点是不易伪装，并且相对于其他的生理信号有较高的识别准确度。
在脑电情感识别领域中，特征量的提取是影响识别准确率的关键因素，本发明中选用小波能量、小波熵和多尺度熵作为特征参数，其中小波能量可以反映出四个节律波的能量分布状况，小波熵可以反映出信号谱在各个空间上的无序程度、多尺度熵可以反映脑电信号在各种尺度下的相关程度和复杂程度，这些特征可以从各个层面来反映脑电信号的特点，能够达到很好的情感识别效果。
发明内容
发明是为了解决现有技术存在的上述技术问题，提供一种可提高分类精度的基于小波变换和多尺度熵的脑电情感识别方法。
为了达到上述的目的，本发明的技术方案为：
一种基于离散小波变换和多尺度熵的脑电情感识别方法，其特征在于按照如下步骤依次进行：
步骤一：对脑电信号进行小波变换，并计算脑电信号的小波能量和小波熵。
对脑电信号x(t)用db4小波做四层小波分解可得：其中Ai为近似分量其对应的近似系数为CAi，Dj为不同尺度下的细节分量其对应的细节系数为CDj。小波能量是该尺度下小波系数的平方和，设i为分解层数，那么求得总的小波能量为：根据香浓熵的定义需取相对小波能量那么可求得小波熵：
步骤二：计算脑电信号的多尺度熵。
计算基于样本熵的多尺度熵之前，首先对于长度为M的时间序列{Y}＝{y1,y2,L,yM}进行粗粒化处理，得到新的序列为：其中序列长度为1≤k≤N，t为尺度。然后按照如下过程来计算新序列的样本熵值。
1)对粗粒化后的序列{X}重构出一组m维矢量，其中i＝1,2,ΛN-m+1，Xi＝xi,xi+1,L,xi+m-1。
2)定义Xi与Xj间的距离di,j为对应元素切比雪夫距离的最大值，其中i≠j，计算公式为：di,j＝max[|Xi+k-Xj+k|]。
3)给定阈值r，对每个在取值范围内的i，计算Xi与其余矢量Xj的距离di,j，统计di,j小于r的数目Lm(i)，以及Lm(i)与距离总数N-m的比值，记为
4)计算的平均值，记为
5)增加维数为m+1，重复以上过程，得到Cm+1。当N为有限值时，那么该序列长度为N的样本熵为：
6)重复以上过程，最终得到不同尺度下的样本熵值。
步骤三：对上述特征量进行主成分分析法降维。
经过上述方法进行一系列的特征提取可以得到4个小波能量的特征值，1个小波熵的特征值，以及14个多尺度熵的特征值，共计19个特征参数。如果将这19个参数都放入分类器中进行分类将导致情感识别和程序运行速度上存在较大的难度，所以本发明采用主成分分析法对19个特征量进行降维处理，最终降维后只得到3个特征特征维数。
步骤四：将特征样本放入支持向量机进行训练分类。
将样本进行随机排序，抽出一半的样本输入到SVM分类器中进行训练，然后把剩下的样本输入到已经训练好的分类器中进行测试。为了得到SVM最佳的惩罚因子c和核函数参数g，本发明利用遗传算法进行参数寻优，设置g和c的区间均为[0 100]，最大遗传代数为200，交叉概率为0.4，变异概率为0.01。
本发明公开一种基于离散小波变换和多尺度熵的脑电情感识别方法，先用小波变换分解重构出四种节律波，并计算出四种节律波的小波能量以及小波熵值，然后又运用多尺度熵算法，提取出十四种尺度下的多尺度熵值，最后用主成分分析法对这些特征量进行降维后放入经遗传算法参数寻优的SVM分类器中识别。本发明同时考虑脑电情感数据集中数据的非线性和非平稳性特性，保证了该方法的分类精度、准确率和执行速度。
附图说明
图1是本发明实施例的流程图。
图2是不同尺度下四种情感的多尺度熵值变化曲线。
图3是主成分累计贡献率的变化曲线。
图4是遗传算法对分类器进行参数优化的适应度曲线。
具体实时方式
本发明的基于一种基于离散小波变换和多尺度熵的脑电情感识别方法，如图1所示，按照如下步骤依次进行：
步骤一：对脑电信号进行小波变换，并计算脑电信号的小波能量和小波熵。
对脑电信号x(t)用db4小波做四层小波分解可得：其中Ai为近似分量其对应的近似系数为CAi，Dj为不同尺度下的细节分量其对应的细节系数为CDj。小波能量是该尺度下小波系数的平方和，设i为分解层数，那么求得总的小波能量为：根据香浓熵的定义需取相对小波能量那么可求得小波熵：
步骤二：计算脑电信号的多尺度熵。
计算基于样本熵的多尺度熵之前，首先对于长度为M的时间序列{Y}＝{y1,y2,L,yM}进行粗粒化处理，得到新的序列为：其中序列长度为1≤k≤N，t为尺度。然后按照如下过程来计算新序列的样本熵值。
1)对粗粒化后的序列{X}重构出一组m维矢量，其中i＝1,2,ΛN-m+1，Xi＝xi,xi+1,L,xi+m-1。
2)定义Xi与Xj间的距离di,j为对应元素切比雪夫距离的最大值，其中i≠j，计算公式为：di,j＝max[|Xi+k-Xj+k|]。
3)给定阈值r，对每个在取值范围内的i，计算Xi与其余矢量Xj的距离di,j，统计di,j小于r的数目Lm(i)，以及Lm(i)与距离总数N-m的比值，记为
4)计算的平均值，记为
5)增加维数为m+1，重复以上过程，得到Cm+1。当N为有限值时，那么该序列长度为N的样本熵为：
6)重复以上过程，最终得到不同尺度下的样本熵值。
步骤三：对上述特征量进行主成分分析法降维。
经过上述方法进行一系列的特征提取可以得到4个小波能量的特征值，1个小波熵的特征值，以及14个多尺度熵的特征值，共计19个特征参数。如果将这19个参数都放入分类器中进行分类将导致情感识别和程序运行速度上存在较大的难度，所以本发明采用主成分分析法对19个特征量进行降维处理，最终降维后只得到3个特征特征维数。
步骤四：将特征样本放入支持向量机进行训练分类。
将样本进行随机排序，抽出一半的样本输入到SVM分类器中进行训练，然后把剩下的样本输入到已经训练好的分类器中进行测试。为了得到SVM最佳的惩罚因子c和核函数参数g，本发明利用遗传算法进行参数寻优，设置g和c的区间均为[0 100]，最大遗传代数为200，交叉概率为0.4，变异概率为0.01。
本发明实施例进行情感识别的数据集是DEAP数据集。DEAP数据集是由Koelstra等人构建的一个多模态情感数据库，它包含了32个受试者观看40个时长为1分钟的音乐视频，记录了32个通道的脑电信号，以及8个通道的外围生理信号，采样频率为128Hz。每个受试者观看完一个视频后，都会对视频从唤醒度、效价、喜爱度、熟悉度等四个维度进行评分。
本发明实施例仅对DEAP数据集中的脑电信号进行处理，数据集中包含32×40＝1280个数据样本。为提高识别效率，每个样本仅选择了每个视频中间的9秒数据(第34～42秒的数据)，因此每个样本共128×9×3＝3456个数据点。
目前最常见的情感分类方法是基于Lange的二维度情感分类模型，该模型由两个基本情感维度构成，分别是愉悦度(Valence)和唤醒度(Arouse)。Valence的值越大代表情绪越愉悦，变化范围由消极状态逐渐过渡到积极状态。Arouse的值越大代表越兴奋，变化范围由平静状态逐渐过渡到兴奋状态。本文利用该二维模型取愉快(HVHA)、放松(HVLA)、悲伤(LVLA)、愤怒(LVHA)这四种情绪来进行分类。
图2为不同尺度下四种情感的多尺度熵值变化曲线，可以看出在整体趋势上其结果区别相对明显。为了不丢失信号中的有效特征，本发明选用1到14尺度下的多尺度熵值作为特征参数。图3为主成分累计贡献率的变化曲线，可以看出前3个成分的累计功效率达到了98.67％，他们已经包含了原特征参数的主要信息，所以选择用PCA处理后的前3个特征量作为分类器的输入量。图4为遗传算法对分类器进行参数优化的适应度曲线，可以看出前15周期收敛迅速，后面区域平缓进而实现了参数的寻优。最后将所有的分类结果汇总到表1中。
表1本发明方法额区电极情感识别结果(％)
由表1可以看出该方法下额区的脑电信号均具有较高的识别率，其中最高为91.64％，最低为78.73％。从所有额区通道的识别率均值来看，悲伤(LVLA)的识别率是最高的均值为90.51％而愉快(HVHA)的识别率最低，为82.72％。从左右脑电极的平均准确率来看，左脑为83.85％右脑为86.64％，右脑的平均准确率较高，这也与神经生理学中右脑控制情绪左脑控制逻辑思维相吻合。

Claims (1)

1.一种基于离散小波变换和多尺度熵的脑电情感识别方法，其特征在于按照如下步骤依次进行：
步骤一：对脑电信号进行小波变换，并计算脑电信号的小波能量和小波熵；
对脑电信号x(t)用db4小波做四层小波分解可得：其中Ai为近似分量其对应的近似系数为CAi，Dj为不同尺度下的细节分量其对应的细节系数为CDj，小波能量是该尺度下小波系数的平方和，设i为分解层数，那么求得总的小波能量为：根据香浓熵的定义需取相对小波能量那么可求得小波熵：
步骤二：计算脑电信号的多尺度熵；
计算基于样本熵的多尺度熵之前，首先对于长度为M的时间序列{Y}＝{y1,y2,L,yM}进行粗粒化处理，得到新的序列为：其中序列长度为t为尺度，然后按照如下过程来计算新序列的样本熵值；
1)对粗粒化后的序列{X}重构出一组m维矢量，其中i＝1,2,ΛN-m+1，Xi＝xi,xi+1,L,xi+m-1；
2)定义Xi与Xj间的距离di,j为对应元素切比雪夫距离的最大值，其中i≠j，计算公式为di,j＝max[|Xi+k-Xj+k|]；
3)给定阈值r，对每个在取值范围内的i，计算Xi与其余矢量Xj的距离di,j，统计di,j小于r的数目Lm(i)，以及Lm(i)与距离总数N-m的比值，记为
4)计算的平均值，记为
5)增加维数为m+1，重复以上过程，得到Cm+1，当N为有限值时，那么该序列长度为N的样本熵为：
6)重复以上过程，最终得到不同尺度下的样本熵值；
步骤三：对上述特征量进行主成分分析法降维；
经过上述方法进行一系列的特征提取可以得到4个小波能量的特征值，1个小波熵的特征值，以及14个多尺度熵的特征值，共计19个特征参数，如果将这19个参数都放入分类器中进行分类将导致情感识别和程序运行速度上存在较大的难度，所以本发明采用主成分分析法对19个特征量进行降维处理，最终降维后只得到3个特征特征维数；
步骤四：将特征样本放入支持向量机进行训练分类；
将样本进行随机排序，抽出一半的样本输入到SVM分类器中进行训练，然后把剩下的样本输入到已经训练好的分类器中进行测试，为了得到SVM最佳的惩罚因子c和核函数参数g，本发明利用遗传算法进行参数寻优，设置g和c的区间均为[0 100]，最大遗传代数为200，交叉概率为0.4，变异概率为0.01。
CN201811057122.9A 2018-09-11 2018-09-11 一种基于离散小波变换和多尺度熵的脑电情感识别方法 Pending CN109190570A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811057122.9A CN109190570A (zh) 2018-09-11 2018-09-11 一种基于离散小波变换和多尺度熵的脑电情感识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811057122.9A CN109190570A (zh) 2018-09-11 2018-09-11 一种基于离散小波变换和多尺度熵的脑电情感识别方法

Publications (1)

Publication Number Publication Date
CN109190570A true CN109190570A (zh) 2019-01-11

Family

ID=64910477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811057122.9A Pending CN109190570A (zh) 2018-09-11 2018-09-11 一种基于离散小波变换和多尺度熵的脑电情感识别方法

Country Status (1)

Country Link
CN (1) CN109190570A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871831A (zh) * 2019-03-18 2019-06-11 太原理工大学 一种情感识别方法及系统
CN109871882A (zh) * 2019-01-24 2019-06-11 重庆邮电大学 基于高斯伯努利卷积深度置信网络的脑电信号分类方法
CN109918417A (zh) * 2019-02-28 2019-06-21 西安交通大学 基于小波变换的时序数据自适应分段、降维与表征方法及应用
CN110263832A (zh) * 2019-06-11 2019-09-20 哈尔滨工程大学 一种基于多尺度分析的auv导航系统故障诊断方法
CN110472649A (zh) * 2019-06-21 2019-11-19 中国地质大学（武汉） 基于多尺度分析和集成树模型的脑电情感分类方法及系统
CN110786851A (zh) * 2019-10-31 2020-02-14 长春理工大学 一种基于Mallat算法提高小波包分解速度的方法
CN110881975A (zh) * 2019-12-24 2020-03-17 山东中科先进技术研究院有限公司 一种基于脑电信号的情感识别方法及系统
CN110991428A (zh) * 2019-12-30 2020-04-10 山东大学 基于多尺度熵的呼吸信号情绪识别方法及系统
CN111310570A (zh) * 2020-01-16 2020-06-19 山东师范大学 一种基于vmd和wpd的脑电信号情感识别方法及系统
CN111444805A (zh) * 2020-03-19 2020-07-24 哈尔滨工程大学 一种基于改进的多尺度小波熵数字信号调制识别方法
CN112754502A (zh) * 2021-01-12 2021-05-07 曲阜师范大学 一种基于脑电信号的音乐自动切换方法
CN113919387A (zh) * 2021-08-18 2022-01-11 东北林业大学 基于gbdt-lr模型的脑电信号情感识别
CN114298189A (zh) * 2021-12-20 2022-04-08 深圳市海清视讯科技有限公司 疲劳驾驶检测方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006034024A2 (en) * 2004-09-16 2006-03-30 Everest Biomedical Instruments Method for adaptive complex wavelet based filtering of eeg signals
CN107832709A (zh) * 2017-11-10 2018-03-23 辽宁师范大学 基于经验小波变换进行特征提取的脑电情感识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006034024A2 (en) * 2004-09-16 2006-03-30 Everest Biomedical Instruments Method for adaptive complex wavelet based filtering of eeg signals
CN107832709A (zh) * 2017-11-10 2018-03-23 辽宁师范大学 基于经验小波变换进行特征提取的脑电情感识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李昕等: "一种改进脑电特征提取算法及其在情感识别中的应用", 《生物医学工程学杂志》 *
李昕等: "改进的多尺度熵算法及其情感脑电特征提取性能分析", 《高技术通讯》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871882A (zh) * 2019-01-24 2019-06-11 重庆邮电大学 基于高斯伯努利卷积深度置信网络的脑电信号分类方法
CN109918417A (zh) * 2019-02-28 2019-06-21 西安交通大学 基于小波变换的时序数据自适应分段、降维与表征方法及应用
CN109918417B (zh) * 2019-02-28 2021-02-09 西安交通大学 基于小波变换的时序数据自适应分段、降维与表征方法及应用
CN109871831A (zh) * 2019-03-18 2019-06-11 太原理工大学 一种情感识别方法及系统
CN109871831B (zh) * 2019-03-18 2021-01-05 太原理工大学 一种情感识别方法及系统
CN110263832B (zh) * 2019-06-11 2023-01-06 哈尔滨工程大学 一种基于多尺度分析的auv导航系统故障诊断方法
CN110263832A (zh) * 2019-06-11 2019-09-20 哈尔滨工程大学 一种基于多尺度分析的auv导航系统故障诊断方法
CN110472649A (zh) * 2019-06-21 2019-11-19 中国地质大学（武汉） 基于多尺度分析和集成树模型的脑电情感分类方法及系统
CN110472649B (zh) * 2019-06-21 2023-04-18 中国地质大学（武汉） 基于多尺度分析和集成树模型的脑电情感分类方法及系统
CN110786851A (zh) * 2019-10-31 2020-02-14 长春理工大学 一种基于Mallat算法提高小波包分解速度的方法
CN110881975A (zh) * 2019-12-24 2020-03-17 山东中科先进技术研究院有限公司 一种基于脑电信号的情感识别方法及系统
CN110991428A (zh) * 2019-12-30 2020-04-10 山东大学 基于多尺度熵的呼吸信号情绪识别方法及系统
CN111310570A (zh) * 2020-01-16 2020-06-19 山东师范大学 一种基于vmd和wpd的脑电信号情感识别方法及系统
CN111310570B (zh) * 2020-01-16 2022-06-10 山东师范大学 一种基于vmd和wpd的脑电信号情感识别方法及系统
CN111444805B (zh) * 2020-03-19 2023-03-17 哈尔滨工程大学 一种基于改进的多尺度小波熵数字信号调制识别方法
CN111444805A (zh) * 2020-03-19 2020-07-24 哈尔滨工程大学 一种基于改进的多尺度小波熵数字信号调制识别方法
CN112754502A (zh) * 2021-01-12 2021-05-07 曲阜师范大学 一种基于脑电信号的音乐自动切换方法
CN113919387A (zh) * 2021-08-18 2022-01-11 东北林业大学 基于gbdt-lr模型的脑电信号情感识别
CN114298189A (zh) * 2021-12-20 2022-04-08 深圳市海清视讯科技有限公司 疲劳驾驶检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109190570A (zh) 一种基于离散小波变换和多尺度熵的脑电情感识别方法
Chang et al. The code for facial identity in the primate brain
Jiang et al. Recognition of epileptic EEG signals using a novel multiview TSK fuzzy system
Yildirim A novel wavelet sequence based on deep bidirectional LSTM network model for ECG signal classification
CN104771163B (zh) 基于csp和r‑csp算法的脑电信号特征提取方法
Zhang et al. Magnetic resonance brain image classification by an improved artificial bee colony algorithm
Qiao et al. A novel deep-learning based framework for multi-subject emotion recognition
Sadiq et al. Motor imagery BCI classification based on multivariate variational mode decomposition
CN110472649B (zh) 基于多尺度分析和集成树模型的脑电情感分类方法及系统
CN111553295A (zh) 基于自注意力机制的多模态情感识别方法
Şen et al. Novel approaches for automated epileptic diagnosis using FCBF selection and classification algorithms
Rejer et al. Genetic algorithm and forward method for feature selection in EEG feature space
Fedjaev Decoding eeg brain signals using recurrent neural networks
Baysal et al. Multi-objective symbiotic organism search algorithm for optimal feature selection in brain computer interfaces
Kouka et al. EEG channel selection-based binary particle swarm optimization with recurrent convolutional autoencoder for emotion recognition
Fayyaz et al. Classifying alcoholics and control patients using deep learning and peak visualization method
Marjit et al. Eeg-based emotion recognition using genetic algorithm optimized multi-layer perceptron
Wang et al. A particle swarm algorithm optimization‐based SVM–KNN algorithm for epileptic EEG recognition
Cheng et al. Convtimenet: A deep hierarchical fully convolutional model for multivariate time series analysis
Mahmoud et al. Learning from imbalanced pulsar data by combine DCGAN and PILAE algorithm
Gatti et al. Convolutional neural networks improve the prediction of hand movement speed and force from single-trial EEG
CN114091529A (zh) 一种基于生成对抗网络数据增强的脑电情感识别方法
CN114398991A (zh) 基于Transformer结构搜索的脑电信号情绪识别方法
Mohammad et al. Tri-model classifiers for EEG based mental task classification: hybrid optimization assisted framework
Partovi et al. A deep learning algorithm for classifying grasp motions using multi-session EEG recordings

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

Application publication date: 20190111

RJ01 Rejection of invention patent application after publication