CN109199412B - 基于眼动数据分析的异常情绪识别方法 - Google Patents

基于眼动数据分析的异常情绪识别方法 Download PDF

Info

Publication number
CN109199412B
CN109199412B CN201811135081.0A CN201811135081A CN109199412B CN 109199412 B CN109199412 B CN 109199412B CN 201811135081 A CN201811135081 A CN 201811135081A CN 109199412 B CN109199412 B CN 109199412B
Authority
CN
China
Prior art keywords
eye movement
abnormal
eye
dimensional
jumps
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.)
Active
Application number
CN201811135081.0A
Other languages
English (en)
Other versions
CN109199412A (zh
Inventor
唐闺臣
梁瑞宇
谢跃
徐梦圆
叶超
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute 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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN201811135081.0A priority Critical patent/CN109199412B/zh
Publication of CN109199412A publication Critical patent/CN109199412A/zh
Application granted granted Critical
Publication of CN109199412B publication Critical patent/CN109199412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1103—Detecting eye twinkling
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Abstract

本发明公开了一种基于眼动数据分析的异常情绪识别方法，包括以下步骤，拍摄多个受测者的眼动视频样本，并提取各受测者对应的眼动视频样本内的32维眼动特征；对多个受测者的32维眼动特征的数据进行异常分析，并将异常的样本数据归为异常情绪类别，将非异常的样本数据归为非异常特征样本；基于非异常特征样本，从32维眼动特征中提取6维有效眼动特征；基于提取的6维有效眼动特征，输入训练好的支撑向量机模型，从而识别具有异常情绪的样本。本发明基于眼动数据分析引入的异常数据处理机制，大大提高了算法效率；并采用特征选择方法，降低了特征维度，在改善训练时间的同时，有效提高类似犯罪知情者的异常情绪识别。

Description

基于眼动数据分析的异常情绪识别方法
技术领域
本发明涉及眼动数据分析技术领域，具体涉及一种基于眼动数据分析的异常情绪识别方法。
背景技术
在刑侦背景下，审讯犯罪嫌疑人的关键在于对犯罪嫌疑人的异常情绪进行评测，即所谓″测谎″。由于人在说谎时的心理变化会引起一些生理参数(如皮肤电、心跳、血压、呼吸脑电波、声音等)的变化，因此，通过检测这些变化来评估被测者的异常情绪是一种有效的辅助手段。
在早期的研究中，接触式测谎手段是常用方法，如多道生理仪、脑认知神经技术等。但是，该方法需要被测者必须主观配合，且可采用隐蔽性的反测谎技术来干扰测试结果。因此，有效的测谎应该具有非接触性，强隐蔽性，且所分析信号便于采集和处理的特点。此类非接触测谎主要利用面部微表情、肢体动作或语音等特征实现，但是，目前还没有被证实哪一种方法是最有效的。
当前眼动分析法是研究人类认知加工的有效方法，其无损伤、生态化、高效化的优势是一般研究技术难以取代的。心理学与生理学研究及实验成果明确指出的眼动与说谎存在一定关系，相关特征差异包括瞳孔直径、眼动轨迹、眼动注视时间、注视区域、眨眼频率、眼跳等。眼动技术既可以分析认知加工过程，又可以分析认知过程所伴随的情绪反应，而″谎言″产生机制，则恰是认知加工与情绪加工双重加工的合体。此外，相对于其它反测谎手段来说，一些眼动指标不受人意识控制，有意控制某些眼动指标反而会出现指标异常。
由此可见，早期的异常情绪识别方法，均存在有不便与缺陷，而亟待加以进一步改进。为了解决异常情绪识别方法存在的问题，相关领域技术人员莫不费尽心思来谋求解决之道，但长久以来一直未见适用的方法被发展完成，而一般现有的异常情绪识别算法又不能适切的解决上述问题，这是相关业者急欲解决的问题。相对于其它反测谎手段来说，眼动测试具有隐蔽性强、无需被试主动配合等优点。用眼动指标进行嫌疑人异常情绪的协助判断具有一定的可行性。因此，如何实现基于眼动数据分析的异常情绪识别方法，是当前亟待解决的问题。
发明内容
为了克服现有技术中在眼动数据分析，异常情绪识别存在的问题。本发明的基于眼动数据分析的异常情绪识别方法，能够解决现有技术中的异常情绪识别方法受检测人配合程度制约、测试方法不隐秘，测试效率低的问题，通过眼动数据分析引入的异常数据处理机制，大大提高了算法效率；并采用特征选择方法，降低了特征维度，在改善训练时间的同时，有效提高类似犯罪知情者的异常情绪识别，方法巧妙新颖，具有良好的应用前景。
为了达到上述目的，本发明所采用的技术方案是：
一种基于眼动数据分析的异常情绪识别方法，包括以下步骤，
步骤(A)，拍摄多个受测者的眼动视频样本，并提取各受测者对应的眼动视频样本内的32维眼动特征；
步骤(B)，对多个受测者的32维眼动特征的数据进行异常分析，并将异常的样本数据归为异常情绪类别，将非异常的样本数据归为非异常特征样本；
步骤(C)，基于非异常特征样本，从32维眼动特征中提取6维有效眼动特征；
步骤(D)，基于提取的6维有效眼动特征，输入训练好的支撑向量机模型，从而识别具有异常情绪的样本。
前述的基于眼动数据分析的异常情绪识别方法，所述32维眼动特征，包括眨眼统计量6项：眨眼次数、眨眼频率、眨眼总持续时间、平均眨眼时长、眨眼持续时长最大值、眨眼持续时长最小值；注视统计量11项：注视次数、注视频率、注视总时长、平均注视时长、注视时长最大值、注视时长最小值、总注视偏差、平均注视偏差、最大注视偏差、最小注视偏差、扫视路径长度；眼跳统计量15项：眼跳次数、眼跳频率、眼跳总时长、眼跳平均时长、眼跳时长最大值、眼跳时长最小值、总的眼跳幅度、平均眼跳幅度、最大眼跳幅度、最小眼跳幅度、总眼跳速度、平均眼跳速度、眼跳最大速度、眼跳最小速度、平均眼跳延迟时间。
前述的基于眼动数据分析的异常情绪识别方法，步骤(B)，对多个受测者的32维眼动特征的数据进行异常分析，并将异常的样本数据归为异常情绪类别，将非异常的样本数据归为非异常特征样本，包括以下步骤，
(B1)，计算多个受测者的第j项眼动特征的正态总体的数学期望μj和标准差σj；
(B2)，计算第i个受测者的第j项眼动特征的实测数据xij与第j项眼动特征的正态总体的数学期望μj的差值，即|xij-uj|；
(B3)，若|xij-uj|的差值大于3σj，则该数据为异常的样本数据归为异常情绪类别；否则，该数据为非异常的样本数据归为非异常特征样本。
前述的基于眼动数据分析的异常情绪识别方法，步骤(C)，基于非异常特征样本，利用序列浮动前向选择算法从32维眼动特征中提取6维有效眼动特征，获得6维有效眼动特征，该6维有效眼动特征分别为眨眼次数、眨眼频率、注视频率、总注视偏差、平均注视偏差、最大注视偏差。
本发明的有益效果是：本发明的基于眼动数据分析的异常情绪识别方法，能够解决现有技术中的异常情绪识别方法受检测人配合程度制约、测试方法不隐秘，测试效率低的问题，通过眼动数据分析引入的异常数据处理机制，大大提高了算法效率；并采用特征选择方法，降低了特征维度，在改善训练时间的同时，有效提高类似犯罪知情者的异常情绪识别，方法巧妙新颖，具有良好的应用前景。
附图说明
图1是本发明的基于眼动数据分析的异常情绪识别方法的流程图。
具体实施方式
下面将结合说明书附图，对本发明作进一步的说明。
如图1所示，本发明的基于眼动数据分析的异常情绪识别方法，包括以下步骤，
步骤(A)，拍摄多个受测者的眼动视频样本，并提取各受测者对应的眼动视频样本内的32维眼动特征，所述32维眼动特征，包括眨眼统计量6项：眨眼次数、眨眼频率、眨眼总持续时间、平均眨眼时长、眨眼持续时长最大值、眨眼持续时长最小值；注视统计量11项：注视次数、注视频率、注视总时长、平均注视时长、注视时长最大值、注视时长最小值、总注视偏差、平均注视偏差、最大注视偏差、最小注视偏差、扫视路径长度；眼跳统计量15项：眼跳次数、眼跳频率、眼跳总时长、眼跳平均时长、眼跳时长最大值、眼跳时长最小值、总的眼跳幅度、平均眼跳幅度、最大眼跳幅度、最小眼跳幅度、总眼跳速度、平均眼跳速度、眼跳最大速度、眼跳最小速度、平均眼跳延迟时间，眼动数据分析的异常情绪识别是本发明对眼动数据分析独特的应用，能够良好的分析异常情绪识别，尤其根据选择的32维眼动特征，能够保证异常情绪识别的准确性；
步骤(B)，对多个受测者的32维眼动特征的数据进行异常分析，并将异常的样本数据归为异常情绪类别，将非异常的样本数据归为非异常特征样本，包括以下步骤，
(B1)，计算多个受测者的第j项眼动特征的正态总体的数学期望μj和标准差σj；
(B2)，计算第i个受测者的第j项眼动特征的实测数据xij与第j项眼动特征的正态总体的数学期望μj的差值，即|xij-uj|；
(B3)，若|xij-uj|的差值大于3σj，则该数据为异常的样本数据归为异常情绪类别；否则，该数据为非异常的样本数据归为非异常特征样本；
步骤(C)，基于非异常特征样本，从32维眼动特征中提取6维有效眼动特征，是通过利用序列浮动前向选择算法实现的，获得6维有效眼动特征，分别为眨眼次数、眨眼频率、注视频率、总注视偏差、平均注视偏差、最大注视偏差，所述序列前向选择(SFS，SequentialForward Selection)算法描述为，特征子集X从空集开始，每次选择一个特征x加入特征子集X，使得特征函数J(X)最优。简单说就是，每次都选择一个使得评价函数的取值达到更优的特征加入，是一种简单的贪心算法；
步骤(D)，基于提取的6维有效眼动特征，输入训练好的支撑向量机模型，从而识别具有异常情绪的样本，最优的特征个数和组合不同，本发明此处的优化特征的最高识别率为79.6％，特征维度分别为6，8，11，最少的六维特征为眨眼次数、眨眼频率、注视频率、总注视偏差、平均注视偏差、最大注视偏差，基于该6种特征，然后采用支撑向量机对特征进行识别，该支撑向量机模型采用高斯核，参数的寻优范围设为[-1024，1024]。
综上所述，本发明的基于眼动数据分析的异常情绪识别方法，能够解决现有技术中的异常情绪识别方法受检测人配合程度制约、测试方法不隐秘，测试效率低的问题，通过眼动数据分析引入的异常数据处理机制，大大提高了算法效率；并采用特征选择方法，降低了特征维度，在改善训练时间的同时，有效提高类似犯罪知情者的异常情绪识别，方法巧妙新颖，具有良好的应用前景。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.基于眼动数据分析的异常情绪识别方法，其特征在于：包括以下步骤，
步骤(A)，拍摄多个受测者的眼动视频样本，并提取各受测者对应的眼动视频样本内的32维眼动特征；
步骤(B)，对多个受测者的32维眼动特征的数据进行异常分析，并将异常的样本数据归为异常情绪类别，将非异常的样本数据归为非异常特征样本；
步骤(C)，基于非异常特征样本，从32维眼动特征中提取6维有效眼动特征；
步骤(D)，基于提取的6维有效眼动特征，输入训练好的支撑向量机模型，从而识别具有异常情绪的样本，
其中，所述32维眼动特征，包括眨眼统计量6项：眨眼次数、眨眼频率、眨眼总持续时间、平均眨眼时长、眨眼持续时长最大值、眨眼持续时长最小值；注视统计量11项：注视次数、注视频率、注视总时长、平均注视时长、注视时长最大值、注视时长最小值、总注视偏差、平均注视偏差、最大注视偏差、最小注视偏差、扫视路径长度；眼跳统计量15项：眼跳次数、眼跳频率、眼跳总时长、眼跳平均时长、眼跳时长最大值、眼跳时长最小值、总的眼跳幅度、平均眼跳幅度、最大眼跳幅度、最小眼跳幅度、总眼跳速度、平均眼跳速度、眼跳最大速度、眼跳最小速度、平均眼跳延迟时间，
步骤(B)，对多个受测者的32维眼动特征的数据进行异常分析，并将异常的样本数据归为异常情绪类别，将非异常的样本数据归为非异常特征样本，包括以下步骤，
(B1)，计算多个受测者的第j项眼动特征的正态总体的数学期望μj和标准差σj；
(B2)，计算第i个受测者的第j项眼动特征的实测数据xij与第j项眼动特征的正态总体的数学期望μj的差值，即|xij-uj|；
(B3)，若|xij-uj|的差值大于3σj，则该数据为异常的样本数据归为异常情绪类别；否则，该数据为非异常的样本数据归为非异常特征样本，
其中步骤(C)，基于非异常特征样本，利用序列浮动前向选择算法从32维眼动特征中提取6维有效眼动特征，获得6维有效眼动特征，该6维有效眼动特征分别为眨眼次数、眨眼频率、注视频率、总注视偏差、平均注视偏差、最大注视偏差。
CN201811135081.0A 2018-09-28 2018-09-28 基于眼动数据分析的异常情绪识别方法 Active CN109199412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811135081.0A CN109199412B (zh) 2018-09-28 2018-09-28 基于眼动数据分析的异常情绪识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811135081.0A CN109199412B (zh) 2018-09-28 2018-09-28 基于眼动数据分析的异常情绪识别方法

Publications (2)

Publication Number Publication Date
CN109199412A CN109199412A (zh) 2019-01-15
CN109199412B true CN109199412B (zh) 2021-11-09

Family

ID=64981891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811135081.0A Active CN109199412B (zh) 2018-09-28 2018-09-28 基于眼动数据分析的异常情绪识别方法

Country Status (1)

Country Link
CN (1) CN109199412B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110327061B (zh) * 2019-08-12 2022-03-08 北京七鑫易维信息技术有限公司 一种基于眼动追踪技术的性格确定装置、方法及设备
CN112790750A (zh) * 2019-11-13 2021-05-14 北京卡尔斯通科技有限公司 一种基于视频眼动和心率分析的恐惧紧张情绪识别方法
CN111568367B (zh) * 2020-05-14 2023-07-21 中国民航大学 一种识别和量化眼跳入侵的方法
CN111743553B (zh) * 2020-07-06 2023-09-15 山东中科先进技术有限公司 一种基于眼动数据的情感特征提取方法及系统
CN114787883A (zh) * 2020-09-29 2022-07-22 香港教育大学 自动情绪识别方法、系统、计算设备及计算机可读存储介质
CN112674770B (zh) * 2020-12-22 2021-09-21 北京科技大学 基于图像的显著性差异和情绪分析的抑郁人群眼动鉴别方法
CN113729708B (zh) * 2021-09-10 2023-06-20 上海理工大学 一种基于眼动技术的谎言评判方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101331490A (zh) * 2005-09-12 2008-12-24 埃默迪弗系统股份有限公司 心理状态的检测和使用心理状态的互动
CN101474481A (zh) * 2009-01-12 2009-07-08 北京科技大学 情感机器人系统
CN102520796A (zh) * 2011-12-08 2012-06-27 华南理工大学 一种基于逐步回归分析映射模型的视线跟踪方法
CN104434140A (zh) * 2013-09-13 2015-03-25 Nhn娱乐公司 评价信息系统及利用此系统的评价方法
CN104504390A (zh) * 2015-01-14 2015-04-08 北京工业大学 一种基于眼动数据的网上用户状态识别方法和装置
CN104898823A (zh) * 2014-03-04 2015-09-09 中国电信股份有限公司 控制视标运动的方法和装置
WO2016055129A1 (en) * 2014-10-10 2016-04-14 Quattrone Aldo Device and method for the evaluation of neurodegenerative disorders
CN106572796A (zh) * 2014-08-21 2017-04-19 安德烈·卡格诺 用于检测、判断并训练个体机能的装置
US20170123757A1 (en) * 2015-11-03 2017-05-04 Honeywell International Inc. Intent managing system
KR101734845B1 (ko) * 2015-11-13 2017-05-15 가톨릭대학교 산학협력단 시각 분석을 이용하는 감정 분류 장치 및 그 방법
CN107133584A (zh) * 2017-04-27 2017-09-05 贵州大学 基于眼动跟踪的隐式意图识别分类方法
CN107239738A (zh) * 2017-05-05 2017-10-10 南京邮电大学 一种融合眼动技术与心率检测技术的情感分析方法
CN107256332A (zh) * 2017-05-24 2017-10-17 上海交通大学 基于眼动数据的脑电实验评估系统及方法
CN107865650A (zh) * 2017-07-11 2018-04-03 李爱华 一种可以调节情绪的智能头戴装备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2855968C (en) * 2011-11-22 2018-06-19 Dignity Health System and method for using microsaccade peak velocity as a measure of mental workload and fatigue
US9463132B2 (en) * 2013-03-15 2016-10-11 John Castle Simmons Vision-based diagnosis and treatment
CN104331683B (zh) * 2014-10-17 2017-07-07 南京工程学院 一种具有噪声鲁棒性的人脸表情识别方法
US20170258390A1 (en) * 2016-02-12 2017-09-14 Newton Howard Early Detection Of Neurodegenerative Disease
CN105868694B (zh) * 2016-03-24 2019-03-08 中国地质大学（武汉） 基于面部表情和眼球动作的双模态情感识别方法及系统
CN105975928A (zh) * 2016-04-29 2016-09-28 广东顺德中山大学卡内基梅隆大学国际联合研究院 可穿戴眼动仪第一视角视频图像分析方法
CN106407935A (zh) * 2016-09-21 2017-02-15 俞大海 基于人脸图像和眼动注视信息的心理测试方法
US20180125406A1 (en) * 2016-11-08 2018-05-10 International Business Machines Corporation Mental state estimation using relationship of pupil dynamics between eyes

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101331490A (zh) * 2005-09-12 2008-12-24 埃默迪弗系统股份有限公司 心理状态的检测和使用心理状态的互动
CN101474481A (zh) * 2009-01-12 2009-07-08 北京科技大学 情感机器人系统
CN102520796A (zh) * 2011-12-08 2012-06-27 华南理工大学 一种基于逐步回归分析映射模型的视线跟踪方法
CN104434140A (zh) * 2013-09-13 2015-03-25 Nhn娱乐公司 评价信息系统及利用此系统的评价方法
CN104898823A (zh) * 2014-03-04 2015-09-09 中国电信股份有限公司 控制视标运动的方法和装置
CN106572796A (zh) * 2014-08-21 2017-04-19 安德烈·卡格诺 用于检测、判断并训练个体机能的装置
WO2016055129A1 (en) * 2014-10-10 2016-04-14 Quattrone Aldo Device and method for the evaluation of neurodegenerative disorders
CN104504390A (zh) * 2015-01-14 2015-04-08 北京工业大学 一种基于眼动数据的网上用户状态识别方法和装置
US20170123757A1 (en) * 2015-11-03 2017-05-04 Honeywell International Inc. Intent managing system
KR101734845B1 (ko) * 2015-11-13 2017-05-15 가톨릭대학교 산학협력단 시각 분석을 이용하는 감정 분류 장치 및 그 방법
CN107133584A (zh) * 2017-04-27 2017-09-05 贵州大学 基于眼动跟踪的隐式意图识别分类方法
CN107239738A (zh) * 2017-05-05 2017-10-10 南京邮电大学 一种融合眼动技术与心率检测技术的情感分析方法
CN107256332A (zh) * 2017-05-24 2017-10-17 上海交通大学 基于眼动数据的脑电实验评估系统及方法
CN107865650A (zh) * 2017-07-11 2018-04-03 李爱华 一种可以调节情绪的智能头戴装备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Attention Bias during Processing of Facial Expressions in Trait Anxiety:an Eye-Tracking study;WANG Liu-sheng等;《2011 International Conference on Electronics and Optoelectronics》;20111231;第VI-347-VI-350页 *
Fixations and eye-blinks allow for detecting concealed crime related memories;Judith Peth等;《International Journal of Psychophysiology》;20131231(第88期);第96-103页 *
商品类型对消费者评论认知的影响:基于眼动实验;刁雅静 等;《管理科学》;20170930;第30卷(第5期);第1-16页 *
基于用户情感体验的网站可用性评估方法研究;许娜;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160815(第8期);第32，38-50,62-67页 *
语音测谎技术研究现状与展望;赵力 等;《数据采集与处理》;20170331;第32卷(第2期);第246-257页 *

Also Published As

Publication number Publication date
CN109199412A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN109199412B (zh) 基于眼动数据分析的异常情绪识别方法
Bano et al. EEG-based brain computer interface for emotion recognition
Agrafioti et al. Heart biometrics: Theory, methods and applications
Majumdar et al. Automatic seizure detection in ECoG by differential operator and windowed variance
EP3449409B1 (en) Biometric method and device for identifying a person through an electrocardiogram (ecg) waveform
CN110200640B (zh) 基于双模态传感器的非接触式情绪识别方法
CN109199411B (zh) 基于模型融合的案件知情者识别方法
Kumar et al. Evidence of task-independent person-specific signatures in EEG using subspace techniques
Islam et al. Cognitive state estimation by effective feature extraction and proper channel selection of EEG signal
US20220022805A1 (en) Seizure detection via electrooculography (eog)
Hurtado-Rincon et al. Motor imagery classification using feature relevance analysis: An Emotiv-based BCI system
Derawi Wireless chest-based ECG biometrics
Kang et al. EEG feature selection and the use of Lyapunov exponents for EEG-based biometrics
Hendrawan et al. Investigating window segmentation on mental fatigue detection using single-channel EEG
Chen et al. Epileptic EEG visualization and sonification based on linear discriminate analysis
Pawar et al. Diagnosis and classification of epileptic seizure a neurological disorder using electroencephalography
Ahmed et al. Dynamic time warping based neonatal seizure detection system
Ranjan et al. A machine learning framework for automatic diagnosis of schizophrenia using eeg signals
Vadivu et al. An Novel Versatile Inspiring Wavelet Transform and Resilient Direct Neural Network Classification Techniques for Monitoring Brain Activity System Based on EEG Signal
KR20210068884A (ko) 스마트밴드 생체정보 기반 우울도 예측 모델 생성 시스템 및 방법
Zabcikova et al. EEG-based lie detection using ERP P300 in response to known and unknown faces: An overview
Yu et al. A feasibility study of using event-related potential as a biometrics
Hagras et al. A biometric system based on single-channel EEG recording in one-second
Rajaguru et al. Code converters methodology with kernel maximum uncertainty discriminant analysis for epilepsy classification
Abdulrahman et al. Human Identification based on electroencephalography signals using sample entropy and horizontal visibility graphs

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