CN109271894A - 一种基于脑电信号和模糊推理的产品意象识别方法 - Google Patents
一种基于脑电信号和模糊推理的产品意象识别方法 Download PDFInfo
- Publication number
- CN109271894A CN109271894A CN201811006732.6A CN201811006732A CN109271894A CN 109271894 A CN109271894 A CN 109271894A CN 201811006732 A CN201811006732 A CN 201811006732A CN 109271894 A CN109271894 A CN 109271894A
- Authority
- CN
- China
- Prior art keywords
- image
- product
- evaluation
- value
- fuzzy
- 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
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
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Abstract
本发明涉及一种基于脑电信号和模糊推理的产品意象识别方法,包括步骤:1)采用脑电信号采集设备,对需要识别意象的产品图像进行意象评价;2)设定感性意象词汇对的分类数,对图片进行意象词语判断;3)根据意象推理模型,对所需的行为和脑电数据进行统计;4)将模糊矩阵代入计算,进行综合评价。本发明的有益效果是:本发明从神经加工机制出发,寻找意象与脑电的映射关系,利用脑电实验结合模糊评估对产品意象进行推理,构建一种新的产品意象量化推理方法;基于脑电的产品意象推理模型可以通过被试的客观数据(被试的选择率、反应时长和N400波幅)而非主观评价,对产品样本主观意象语义值进行直接计算,为今后系统化的意象获取提供方法支持。
Description
技术领域
本发明涉及一种识别方法,具体涉及一种基于脑电信号和模糊推理的产品意象识别方法。
背景技术
在满足产品一般使用功能的同时,顾客越来越强调产品的情感价值和审美意象。如何设计出符合消费者心理预期的产品是提升商品竞争力的核心要素,也是企业关注的内容。产品通过自身的色彩、质感、结构以及文化意义等形成所欲传达的语言表现为意象。产品意象认知是一个信息处理过程,主要是依靠使用者对物体的观察,经过与个人经验、心理架构比对之后,再由推理与思考后做出意象的判断。由于人类认知的主观性和产品意象的多维性,产品意象的客观评价亟需构建多维度的产品意象空间。
产品感性意象是产品外观风格传导给消费者的内在感受。产品风格的形成是消费者对产品的认同。产品感性意象研究有助于企业构建目标产品外观风格、避免产品同质化和迎合用户对产品的个性化情感需求等。产品感性意象作为一种主观感受,对其进行准确的量化评价是产品意象研究领域的重要问题。
对于用户意象感知的获取,早期主要基于心理学实验通过调研问卷、访谈结合口语分析、语义差异法、概念草图和意象尺度法等综合方法采集意象。随着各种科研测量仪器的开发,目前多借助脑电仪、功能性磁共振成像仪和眼动仪等测量用户的生理数据,根据脑电信号、眼动信号和脑区的血氧含量等判断用户的意象感知。由于产品意象本身存在着一定的主观性,传统的数学方法很难精确建立起产品造型和用户意象之间的模型映射。
发明内容
本发明的目的是克服现有技术中的不足,提供一种更加客观的、定量的基于脑电信号和模糊推理的产品意象识别方法。
这种基于脑电信号和模糊推理的产品意象识别方法,包括以下步骤:
1)招募若干名某产品的消费者,对需要识别意象的产品图像进行意象评价。其语义评价分值,采用七点量表,分值范围为从-3~3。评价过程中,佩戴脑电信号采集设备。
2)消费者配带好脑电仪。为方便描述该意象识别方法,我们将感性意象词汇对的分类数假定为4,如“轻巧的-笨重的”、“素雅的-艳丽的”、“现代的-古典的”和“简约的-豪华的”,选定它们为描述意象空间的目标词汇对。消费者对图片进行8次意象词语判断,分别为“现代的”、“古典的”、“简约的”、“豪华的”、“轻巧的”、“笨重的”、“素雅的”、“艳丽的”。
3)根据意象推理模型,对所需的行为和脑电数据进行统计。以“现代的”为例展示数据。
将反应时长依据隶属函数公式(1)计算为向量。根据隶属函数公式(1),对“现代的”进行计算,其中,a为最小反应时长,b为最大反应时长,(V1、V2、V3)分别代表三种意象匹配结果(符合、模糊、不符合)。计算可以得到向量(r11,r12,r13)。
将选择率依据隶属函数公式(2)计算为向量(r21,r22,r23)。对被试的N400潜伏期350-500ms内的波幅变化进行统计。根据隶属函数公式(3)计算为向量(r31,r32,r33)。
基于以上隶属函数,得到模糊矩阵R。
4)将模糊矩阵代入计算,进行综合评价,例如,某产品针对“现代的”意象值进行计算。
公式中,A=(a1,a2,a3)为评价因素权重。以1代表意象符合、2为意象模糊、3为意象不符合,作为各等级的秩Z=(1,2,3),利用加权平均计算“现代的”评估值。该评估值为P’=A*R*Z,取值区间为[1,3]。为了符合七点量表的取值,将评价值转换到[-3,3]区间(意象语义评估时的度量),最终意象值P=P’*3-6。
同时,针对“古典的”,也会计算出一个值,将“古典的”与“现代的”取平均即为该产品在意象维度“现代的-古典的”上的数值。根据产品意象推理模型,最后可得到四个维度上的产品意象值。
本发明的有益效果是:本发明从神经加工机制出发,寻找意象与脑电的映射关系,利用脑电实验结合模糊评估对产品意象进行推理,构建一种新的产品意象量化推理方法。基于脑电的产品意象推理模型可以通过被试的客观数据(被试的选择率、反应时长和N400波幅)而非主观评价,对产品样本主观意象语义值进行直接计算,为今后系统化的意象获取提供方法支持。
附图说明
图1为被试反应时长、选择率、波幅的隶属函数表示图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
所述的基于脑电信号和模糊推理的产品意象识别方法,包括以下步骤:
1)建立产品意象评价的维度(构建多维产品意象空间)。
为全面搜集描述产品外观风格意象的感性意象词汇,调研了大量的相关研究文献和产品介绍,得到丰富的感性意象词汇对,例如“轻巧的-笨重的”、“素雅的-艳丽的”、“现代的-古典的”等。为了缩减意象空间的维度,从初始的n组形容词对中排除了含义非常相近的m组感性意象词汇对。为保证脑电实验中,被试能够有效识别产品意象,需要对保留的(n-m)组词汇对进行二次筛选。数十位设计专家根据这些词汇对的相似度进行分组。专家根据自己的判断将具有相似含义的词汇对分在同一组,每组中包含的词汇对数量可以有差异。根据每个设计专家的分组结果,标注意象词汇对两两之间的相似度,得到(n-m)组意象词汇对的相似性判断矩阵。
利用统计分析软件“统计产品和服务解决方案(SPSS)”聚类(n-m)组感性意象词汇对。基于相似性判断矩阵,对这些意象词汇对进行K-means聚类。意象空间的维度太多会导致后续的脑电实验过于复杂。根据尽量避免单一成群或者过多词汇集中的原则,当分类数为3至8时,有较好的分类结果。为方便描述该意象识别方法,我们将感性意象词汇对的分类数假定为4。对数据利用SPSS进行聚类分析,发现4组意象词汇对是聚类的中心,例如“轻巧的-笨重的”、“素雅的-艳丽的”、“现代的-古典的”和“简约的-豪华的”,选定它们为描述意象空间的目标词汇对。
2)分析产品意象的脑电特征和行为特征
2.1)选择实验样本
以某类产品为例进行说明,其它产品可以参照该方法。针对某类产品,如椅子、鞋子、灯具等,筛选100张具有代表性的产品图片。为保证后续实验的公平性,每幅图片中产品所占画面比例及其拍摄角度均一致,并将所有图片的尺寸、精度和背景进行了形式统一。基于七点量表评价法,被试对选定产品的4个意象维度进行分别评分。以“素雅的-艳丽的”这一意象维度为例进行说明,左侧意象词用负数表示,-3代表“非常素雅的”,-2代表“素雅的”,-1代表“有点素雅的”;右侧意象词为正数,3代表“非常艳丽的”,2代表“艳丽的”,1代表“有点艳丽的”;当被试认为产品既不素雅也不艳丽时,评分为0。
2.2)进行产品意象值评价
若干位设计专家经过半个小时的意象评价,针对这100个产品在4个感性意象语义上的评分。将每个被试的意象评价数据汇总,计算平均数,得到每个产品样本的四维感性意象值,并记录为这100个产品的意象语义评价表,供后续使用。
2.3)进行脑电测试
以“轻巧的-笨重的”、“素雅的-艳丽的”、“现代的-古典的”和“简约的-豪华的”作为感性意象空间的4个维度。选择若干被试佩戴脑电信号采集设备,依次对产品样本进行意象判断。从样本意象与给定意象形容词的匹配情况看,有三种状态:符合、不符合和模糊。采集被试在不同意象和不同意象匹配状态下的行为数据和脑电数据,分析各类脑电成分的波幅和脑区分布情况,以此获得脑电意象推理的依据。
脑电测试后,从被试的反应时长分析,当意象匹配结果为符合或不符合时,即样本图片有明确的意象风格时,被试的反应时长较短;当意象匹配结果为模糊情况,被试会增加思考时间,反应时长显著增加。
从被试的判断的准确率分析,样本意象明确情况下,被试选择的正确率达96.77%;样本意象模糊情况下,被试选择的正确率大大降低。
从被试的脑电数据结果看,发现意象匹配结果为符合和模糊时,N400成分波幅明显高于意象不符合情况;意象匹配结果为符合时,与模糊情况下N400成分波幅相近。
3)通过模糊推理,构建产品意象识别模型
模糊逻辑借助隶属度函数模仿人脑的推理和决策,分析和解决不清晰或难以精确定量表达的问题。模糊逻辑应用模糊集合和模糊推理处理模糊信息,是消除模糊的逻辑。该方法基于被试的反应时长、选择率和脑电信号等评价因素,构建基于模糊逻辑的吊灯产品意象推理模型。
3.1)选取评价因素
当意象匹配结果为模糊时,被试会增加思考时间,反应时长显著增加;从判断的准确率分析,样本意象明确情况下,被试选择的正确率达96.77%,样本意象模糊情况下,被试选择的正确率大大降低;从脑电数据看,不同意象匹配结果产生的N400成分有所差异,意象匹配结果为符合和模糊时,N400波幅明显高于意象不符合情况;意象匹配结果为符合时,与模糊情况下N400波幅相近。综上所述,被试的意象认知与三个因素(被试选择的准确率、反应时长和N400波幅)均有潜在的联系。因此,该研究选择这三个因素作为意象推理的评价因素。
3.2)表示评语集
以意象形容词“素雅的”为例,针对它的评语集分为三个等级,分别为{非常素雅的,一般,非常不素雅的}。各个等级的秩从左至右依次表示为1、2、3,即Z={1,2,3}。
3.3)建立基于评价因素的隶属度函数
基于评价因素推理吊灯意象,需要计算吊灯样本在每个意象形容词上的评语集赋值。通过模糊逻辑推理,可建立被试反应时长、选择率和N400波幅三个评价因素对评语集的隶属度函数,如图1所示。
(1)被试反应时长
意象明确时,被试判断所用的反应时长明显比意象模糊时要短。因此,通过统计被试的反应时长,可以推测三种意象匹配结果(符合、模糊、不符合)出现的概率。a为最小反应时长,b为最大反应时长,(V1、V2、V3)分别代表三种意象匹配结果(符合、模糊、不符合)。如图1中的(1)所示,意象明确时(符合、不符合),反应时长越短则隶属度越大,若反应时长小于a,隶属度为1;意象模糊时,反应时长越长则隶属度越大,当反应时长大于b时,隶属度为1。反应时长的隶属度函数如公式(1)所示。
(2)被试选择率
基于意象推理模型认知意象时,无法事先判断被试选择的准确率。但可知样本意象明确时(符合、不符合),被试选择的准确率达96.77%;意象模糊时,选择的准确率显著下降。可以推断,当被试对符合情况的选择率很高时,意象匹配结果为符合的概率很高;被试针对符合情况的选择率很低时,意象匹配结果为不符合的概率很高;被试选择结果出现两极分化,则表示样本意象模糊的概率很高。基于该推断,建立被试选择率的隶属度函数(公式2),(V1、V2、V3)分别代表三种意象匹配结果(符合、模糊、不符合)。意象符合时,选择率越大隶属度越大;意象不符合时,选择率越大则隶属度越小;意象模糊时,选择率为0.5时隶属度为1,选择率趋向0或1时隶属度趋向于0。如图1中(2)所示。
(3)被试N400平均波幅
意象匹配结果为符合和模糊时,N400波幅明显高于意象不符合情况。可以推断N400波幅越大,意象匹配结果为符合和模糊的概率越大;N400波幅越小,意象匹配结果为不符合的概率越大。基于该推断,建立N400波幅的隶属度函数(公式3),a为波幅最小值,b为波幅最大值,(V1、V2、V3)分别代表三种意象匹配结果(符合、模糊、不符合)。意象符合和模糊时,N400波幅越大隶属度越大,当波幅大于b时隶属度为1,波幅小于a时隶属度为0。意象不符合时,N400波幅越小则隶属度越大,当波幅小于a时隶属度为1,当波幅大于b时,隶属度为0。如图1中(3)所示。
3.4)建立模糊评价矩阵
基于三个评价因素对评语集的隶属度函数,可以建立面向评语集的模糊评价矩阵。每个评价因素的隶属度函数都对应了三种意象匹配结果(符合、模糊、不符合)。因此,每个评价因素都对应一个三维模糊向量,以意象符合情况为例,该向量可表示为(r11,r12,r13)。三个评价因素与评语集的模糊关系可以表示为3*3的模糊评价矩阵R:
3.5)确定各评价因素的权重
采用择优比较的方法来计算,根据各权重值相加为1的规则(a1+a2+a3=1,a1、a2、a3分别为反应时、选择率、N400平均波幅的因素的权重),尝试对a1、a2、a3赋值,通过意象映射实验中所采集的数据,调整权重值,计算产品意象值,取结果与意象语义评价表(第一步建立的)差异最小时的值,作为权重。
根据评价模型计算流程,统计意象映射实验中所有图片的反应时、选择率以及N400平均波幅。根据上文确定的隶属函数,计算出每张图片在评语下的隶属值,得到反应时、选择率、N400平均波幅三个指标下分别的隶属值,得到模糊矩阵R。将评价因素权重假设为A=(a1,a2,a3),对三个值进行暴力枚举,每次改变0.01,如初始值为(0,0,1),改变为(0,0.01,0.99)。将假设的A代入计算B=A*R,得到评价结果向量B=(b1,b2,b3)。根据评价结果向量B,利用加权平均值计算出在1到3范围内的综合评值(1表示意象符合,2表示意象模糊,3表示意象不符合,以现代的举例,1表示非常现代的,2表示模糊的,3表示非常古典的)。为了与意象语义评价表的意象语义评价值进行比较,将得到的综合评价值再转换为-3到3范围,选取差异最小情况下的权重A=(a1,a2,a3)作为最终权重。
3.6)将反应时长、选择率和N400平均波幅这三个数值作为产品意象评价模型的输入值,P作为产品样本在某一意象词语上的语义输出值。具体推理流程如下:
依据隶属函数公式(1),将反应时长计算为向量(r11,r12,r13);依据隶属函数公式(2),将选择率计算为向量(r21,r22,r23);对被试的N400潜伏期的波幅变化进行统计,根据隶属函数公式(3)得到向量(r31,r32,r33)。基于上文的模糊评价矩阵R与评价因素权重向量A=(a1,a2,a3),可以得到被评价对象对各等级模糊子集的隶属程度,即模糊综合评价结果向量B=A*R。它是一个模糊向量,而不是一个点值。采用加权平均规则,结合各等级的秩Z(例如:{非常素雅的,一般,非常不素雅的},各个等级的秩从左至右依次表示为1、2、3,即Z={1,2,3}),将评价结果向量换算到1至3的取值范围,得到初步综合评价值P’=B*Z=A*R*Z。为了与语义评估得到的分值更好的比较,需要将初步综合评价值P’转换到[-3,3]区间(意象语义评估时的度量)。因此,产品样本在某一意象词语上的综合评价值为P=P’*3-6。
综上所述,具体的产品意象推理模型表示如下:
其中,评价因素权重A=(a1,a2,a3)。将吊灯产品样本分别在四组意象词语上进行意象综合评价,可以得到该产品在意象空间四个维度上的量化评价值。
Claims (1)
1.一种基于脑电信号和模糊推理的产品意象识别方法,其特征在于,包括以下步骤:
1)采用脑电信号采集设备,对需要识别意象的产品图像进行意象评价;其语义评价分值,采用七点量表,分值范围为从-3~3;
2)设定感性意象词汇对的分类数,对图片进行意象词语判断;
3)根据意象推理模型,对所需的行为和脑电数据进行统计;
将反应时长依据隶属函数公式(1)计算为向量,其中,a为最小反应时长,b为最大反应时长,V1、V2、V3分别代表三种意象匹配结果:符合、模糊、不符合;计算得到向量(r11,r12,r13);
将选择率依据隶属函数公式(2)计算为向量(r21,r22,r23);对被试的N400潜伏期350-500ms内的波幅变化进行统计,根据隶属函数公式(3)计算为向量(r31,r32,r33);
基于以上隶属函数,得到模糊矩阵R;
4)将模糊矩阵代入计算,进行综合评价;
公式中,A=(a1,a2,a3)为评价因素权重;以1代表意象符合、2代表意象模糊、3代表意象不符合,作为各等级的秩Z=(1,2,3),利用加权平均计算评估值P’=A*R*Z,取值区间为[1,3];为了符合七点量表的取值,将评价值转换到[-3,3]区间,最终意象值P=P’*3-6;
同时,针对该词汇对中的另一个词汇,计算出意象值,将两个意象值取平均即为产品在该意象维度上的数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811006732.6A CN109271894A (zh) | 2018-08-31 | 2018-08-31 | 一种基于脑电信号和模糊推理的产品意象识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811006732.6A CN109271894A (zh) | 2018-08-31 | 2018-08-31 | 一种基于脑电信号和模糊推理的产品意象识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109271894A true CN109271894A (zh) | 2019-01-25 |
Family
ID=65155049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811006732.6A Pending CN109271894A (zh) | 2018-08-31 | 2018-08-31 | 一种基于脑电信号和模糊推理的产品意象识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109271894A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111813985A (zh) * | 2020-06-29 | 2020-10-23 | 浙江大学 | 一种基于感性意象的生物原型与产品风格匹配的仿生设计系统 |
CN113509190A (zh) * | 2021-03-18 | 2021-10-19 | 上海交通大学 | 一种产品设计评价方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956546A (zh) * | 2016-04-28 | 2016-09-21 | 杭州电子科技大学 | 一种基于脑电信号的情绪识别方法 |
CN106228286A (zh) * | 2016-07-15 | 2016-12-14 | 西安美林数据技术股份有限公司 | 一种针对人工客服工作质量评估的数据分析方法 |
-
2018
- 2018-08-31 CN CN201811006732.6A patent/CN109271894A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956546A (zh) * | 2016-04-28 | 2016-09-21 | 杭州电子科技大学 | 一种基于脑电信号的情绪识别方法 |
CN106228286A (zh) * | 2016-07-15 | 2016-12-14 | 西安美林数据技术股份有限公司 | 一种针对人工客服工作质量评估的数据分析方法 |
Non-Patent Citations (1)
Title |
---|
陈辰: "基于脑电的产品意象推理模型研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111813985A (zh) * | 2020-06-29 | 2020-10-23 | 浙江大学 | 一种基于感性意象的生物原型与产品风格匹配的仿生设计系统 |
CN111813985B (zh) * | 2020-06-29 | 2022-06-10 | 浙江大学 | 一种基于感性意象的生物原型与产品风格匹配的仿生设计系统 |
CN113509190A (zh) * | 2021-03-18 | 2021-10-19 | 上海交通大学 | 一种产品设计评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110916631B (zh) | 基于可穿戴生理信号监测的学生课堂学习状态评测系统 | |
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 | |
Valenza et al. | The role of nonlinear dynamics in affective valence and arousal recognition | |
CN110507335A (zh) | 基于多模态信息的服刑人员心理健康状态评估方法及系统 | |
Ali et al. | A globally generalized emotion recognition system involving different physiological signals | |
Dutta et al. | Deep learning-based multi-head self-attention model for human epilepsy identification from EEG signal for biomedical traits | |
EP3030151A1 (en) | System and method for detecting invisible human emotion | |
CN112890816A (zh) | 一种个人用户的健康指数评分方法和装置 | |
CN105393252A (zh) | 生理数据采集和分析 | |
CN110650685B (zh) | 评估人的心理生理状态的方法 | |
CN111544015B (zh) | 基于认知力的操控工效分析方法、设备及系统 | |
CN113729707A (zh) | 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法 | |
CN105868532B (zh) | 一种智能评估心脏衰老程度的方法及系统 | |
Li et al. | A novel method for the evaluation of fashion product design based on data mining | |
US20190357792A1 (en) | Sensibility evaluation apparatus, sensibility evaluation method and method for configuring multi-axis sensibility model | |
CN112185493A (zh) | 人格偏好诊断装置及基于该装置的项目推荐系统 | |
CN114869299A (zh) | 基于脑电波数据的心理健康测试装置及测试方法 | |
Fu et al. | Symmetric convolutional and adversarial neural network enables improved mental stress classification from EEG | |
CN109271894A (zh) | 一种基于脑电信号和模糊推理的产品意象识别方法 | |
CN113988123A (zh) | 一种基于自加权增量rvfl网络的脑电疲劳预测方法 | |
CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
Giri et al. | Combining generative and discriminative neural networks for sleep stages classification | |
CN106295202B (zh) | 基于Hale指数的青少年健康状况动态分析方法 | |
Minkin | Vibraimage, Cybernetics and Emotions | |
Kucukler et al. | EEG dataset for energy data visualizations |
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: 20190125 |
|
RJ01 | Rejection of invention patent application after publication |