CN109344816A - 一种基于脑电实时检测面部动作的方法 - Google Patents

一种基于脑电实时检测面部动作的方法 Download PDF

Info

Publication number
CN109344816A
CN109344816A CN201811535827.7A CN201811535827A CN109344816A CN 109344816 A CN109344816 A CN 109344816A CN 201811535827 A CN201811535827 A CN 201811535827A CN 109344816 A CN109344816 A CN 109344816A
Authority
CN
China
Prior art keywords
eeg signals
brain
face action
wave
energy ratio
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
CN201811535827.7A
Other languages
English (en)
Inventor
许召辉
马翼平
彭川
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.)
Air China (shanghai) Co Ltd
Original Assignee
Air China (shanghai) 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 Air China (shanghai) Co Ltd filed Critical Air China (shanghai) Co Ltd
Priority to CN201811535827.7A priority Critical patent/CN109344816A/zh
Publication of CN109344816A publication Critical patent/CN109344816A/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
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种基于脑电信号实时检测面部动作的方法，采用该方法可以得到基于脑电实时检测面部动作的方法，解决面部三类动作的识别分类问题，实时检测面部动作，检测准确率高，并可以为脑电检测设备提供了更多控制指令。

Description

一种基于脑电实时检测面部动作的方法
技术领域
本发明属于检测分析技术领域，尤其涉及一种基于脑电实时检测面部动作的方法。
背景技术
人体大脑的研究一直是人们的重点关注对象，人的大脑中约有100亿个神经元，为了研究人的大脑活动，医学上常常使用磁共振脑功能成像技术(fMRI)去研究人的生理健康，例如：观察与学习和记忆有关的大脑皮层的变化，癫痫病人和正常人之间大脑皮层的区别，阿尔兹海默病、脑卒中、多发性硬化及帕金森综合症等多种脑部疾病的治疗。
随着科学技术的发展，脑电波作为一种的新的大脑活动测量方式逐渐进入到了人们的视野当中。脑电波是一种快速的、动态的时间序列，其具有的高阶分辨率特性是无法取代的，恰巧人的精神状态变化、情感变化、大脑皮层的活动也是具有高阶分辨率特性的，所以大量研究者都以脑电波为基础围绕人的认知、人的感知、人的语言能力、人的情感以及人脑的运动想象等主题进行模式识别。
面部动作的识别，在图像上用的比较多，例如OpenCV自带的级联分类器、基于图像Hog特征的SVM分类器、SSD网络、yolo网络以及fastRNN网络都可以对目标进行检测与分类以达到面部动作的识别。但是这些方式都要以大量的数据和较长的训练时间为前提，并且人脸面部特征点的数量也决定了检测的精度和复杂度，在实际运用中的实时性和准确性难以同时兼顾。
因此，针对以上缺陷，需要对现有技术进行有效创新。
发明内容
经过长期的实验分析得知，脑电波是一种一维的时间序列，在提取特征的操作上比图像来的简单，适当的特征提取与分类器的选择可达到实时性和准确性的要求，此外，人面部动作的变更具有随机性和快速性，而脑电波信号具有高阶分辨率的特性，能跟上面部动作的随机和快速切换，因此，基于脑电波对面部动作进行实时检测存在可实行条件。
本发明的目的在于提供一种基于脑电实时检测面部动作的方法，该方法可以解决面部三类动作的识别分类问题，实时检测面部动作，检测准确率高，并可以为脑电检测设备提供了更多控制指令。
为实现上述目的，本发明采用如下技术方案。
一种基于脑电的面部动作检测模型创建方法，包括如下步骤，
1)采集不同类型的面部动作的脑电信号；
2)对脑电信号进行分帧处理，提取每帧上的脑电特征信息；
3)利用提取到的脑电特征进行BP神经网络模型训练，建立面部动作检测模型；
相应的，步骤1)中，面部动作包括眨眼、咬牙、向上睁眼三种类型；
相应的，步骤1)中，保留时域幅值在-400uv至400uv区间占比大于55％的数据段作为有效数据段；
相应的，对有效数据段进行短时能量和过零率分析，利用语音信号VAD方法分割脑电检测设备中待识别脑电信号；
相应的，步骤2)中，提取的脑电特征信息包括δ波的能量比、θ波的能量比、α波的能量比、β波的能量比、γ波的能量比和(α+θ)/β、α/β、(α+θ)/(α+β)、θ/β、0-40Hz的脑电信号能量比以及100Hz-200Hz的脑电信号能量比，计算脑电信号的平均能量、脑电信号总长度、脑电信号的过零率、最大值、最小值、最大值与最小值之间间隔和总长度之比；
一种基于脑电实时检测面部动作的方法，包括如下步骤，
1)获取面部动作的脑电信号；
2)对脑电信号进行分帧处理，提取每帧上的脑电特征信息；
3)输入面部动作检测模型，得到面部动作检测结果；
相应的，步骤1)中，面部动作包括眨眼、咬牙、向上睁眼三种类型；
相应的，步骤1)中，保留时域幅值在-400uv至400uv区间占比大于55％的数据段作为有效数据段；
相应的，对有效数据段进行短时能量和过零率分析，利用语音信号VAD方法分割待识别脑电信号；
相应的，步骤2)中，提取的脑电特征信息包括δ波的能量比、θ波的能量比、α波的能量比、β波的能量比、γ波的能量比和(α+θ)/β、α/β、(α+θ)/(α+β)、θ/β、0-40Hz的脑电信号能量比以及100Hz-200Hz的脑电信号能量比，计算脑电信号的平均能量、脑电信号总长度、脑电信号的过零率、最大值、最小值、最大值与最小值之间间隔和总长度之比；
一种基于脑电实时检测面部动作的装置，该装置包括脑电检测单元和脑电分析单元，所述脑电检测单元用于检测脑电信号，所述脑电分析单元用于对脑电检测装置获取的脑电信号进行分割提取，将提取的脑电信号特征输入到BP神经网络识别器中识别，得出检测结果。
本发明的有益效果为：采用该方法可以得到基于脑电实时检测面部动作的方法，解决面部三类动作的识别分类问题，实时检测面部动作，检测准确率高，并可以为脑电检测设备提供了更多控制指令。
附图说明
图1是本发明所述一个实施例的流程图；
图2是眨眼的波形图；
图3是咬牙的波形图；
图4是向上睁眼的波形图；
图5是理想状态下脑电信号的分割图；
图6是基于能量特征的脑电信号的分割图；
图7是基于过零率特征的脑电信号的分割图。
具体实施方式
如图1所示，在本发明的一个实施例中，基于脑电的面部动作检测模型创建方法包括以下步骤：
1)脑电信号获取以及数据的预排除，利用脑电检测设备采集眨眼、咬牙、向上睁眼时的脑电数据，脑电检测设备是指用于检测脑电波，并将脑电波数字化存储和显示的设备，例如脑电图仪，脑电检测设备采集到的脑电信号时域幅值处于-400uv至400uv之间，提取时域幅值在-400uv至400uv区间占比大于55％的数据段作为有效数据段，其余数据直接丢弃，无需进行后续处理；
2)待识别脑电信号的分割，对有效数据段进行短时能量和过零率分析，短时能量为一帧脑电信号的能量，过零率为一帧时域脑电信号穿过0(时间轴)的次数，以脑电信号的能量和过零率为特征，利用端点检测方法分割出脑电检测设备中的待识别脑电信号；
3)提取特征，对分割出的脑电信号进行分帧处理，提取每帧上的δ波的能量比、θ波的能量比、α波的能量比、β波的能量比、γ波的能量比和(α+θ)/β、α/β、(α+θ)/(α+β)、θ/β、0-40Hz的脑电信号能量比以及100Hz-200Hz的脑电信号能量比，计算脑电信号的平均能量、脑电信号总长度、脑电信号的过零率、最大值、最小值、最大值与最小值之间间隔和总长度之比，其中，δ波为0-4Hz的脑电波，θ波为4-8Hz的脑电波，α波为8-12Hz的脑电波，β波为12-30Hz的脑电波，γ波为30-100Hz的脑电波；
4)利用BP神经网络实现脑电信号的分类和识别，将所提取的17个特征作为BP神经网络的输入，BP神经网络是一种按误差逆传播算法训练的多层前馈网络，进行BP神经网络模型训练，建立面部动作检测模型；
5)实时验证，针对测试样本数据，按照步骤3)提取特征，将特征输入步骤4)建立的BP神经网络识别器，输出识别结果，与人工分析对比，验证短时能量阈值的正确性、信号特征提取的稳定性以及BP神经网络识别器的可行性。
基于本实施例所述的面部动作检测模型进行面部动作检测，其检测方法如下：
1)获取面部动作的脑电信号，提取时域幅值在-400uv至400uv区间占比大于55％的数据段作为有效数据段；
2)对有效数据段进行短时能量和过零率分析，利用语音信号VAD方法分割出脑电检测设备中的待识别脑电信号，对脑电信号进行分帧处理；
3)提取每帧上的δ波的能量比、θ波的能量比、α波的能量比、β波的能量比、γ波的能量比和(α+θ)/β、α/β、(α+θ)/(α+β)、θ/β、0-40Hz的脑电信号能量比以及100Hz-200Hz的脑电信号能量比，计算脑电信号的平均能量、脑电信号总长度、脑电信号的过零率、最大值、最小值、最大值与最小值之间间隔和总长度之比，其中，δ波为0-4Hz的脑电波，θ波为4-8Hz的脑电波，α波为8-12Hz的脑电波，β波为12-30Hz的脑电波，γ波为30-100Hz的脑电波；
4)将提取的17个特征输入面部动作检测模型，得到面部动作检测结果。
具体的试验场景如下，
进行试验建模：
1)让试验者平静的坐在椅子上，眨眼50次，咬牙50次，向上皱眉头50次，通过csv文件格式记录这些脑电信号数据，如图2所示，为眨眼的波形图，横轴代表时间，纵轴代表信号幅值，如图3所示，为咬牙的波形图，横轴代表时间，纵轴代表信号幅值，如图4所示，为向上睁眼的波形图，横轴代表时间，纵轴代表信号幅值，将采集到的信号进行人为的观察，所使用的脑电图仪采集到的脑电信号时域幅值一般处于-400uv至400uv，统计结果证实，在一段脑电信号中，45％以上的信号幅值大于400uv或者小于400uv，则认为该段信号属干扰信号，去除干扰信号，只保留提取时域幅值在-400uv至400uv区间占比大于55％的数据段作为有效数据段；
2)对有效数据段进行短时能量和过零率分析，通过短时能量和过零率的阈值设定，利用语音信号VAD方法分割出脑电检测设备中的待识别脑电信号，脑电信号的分割结果如图5-7所示，图5是理想状态下脑电信号的分割图，横轴代表时间，纵轴代表信号幅值，图6是基于能量特征的脑电信号的分割图，横轴代表帧号，纵轴代表帧能量值，图7是基于过零率特征的脑电信号的分割图，横轴代表帧号，纵轴代表帧过零率值；
3)对分割出的脑电信号进行分帧处理，一帧数据128点，帧移20点，提取每帧上的δ波的能量比、θ波的能量比、α波的能量比、β波的能量比、γ波的能量比和(α+θ)/β、α/β、(α+θ)/(α+β)、θ/β、0-40Hz的脑电信号能量比以及100Hz-200Hz的脑电信号能量比，计算脑电信号的平均能量、脑电信号总长度、脑电信号的过零率、最大值、最小值、最大值与最小值之间间隔和总长度之比，其中，δ波为0-4Hz的脑电波，θ波为4-8Hz的脑电波，α波为8-12Hz的脑电波，β波为12-30Hz的脑电波，γ波为30-100Hz的脑电波；
4)将所提取的17个特征作为BP神经网络的输入，隐藏层选用10个神经元，为了分出三类问题，所以输出层的神经元个数为3个。其中隐藏层的激活函数为ReLU函数，最后输出层的激活函数为softmax函数，迭代次数为2000次，设置的误差率为1e-4，学习率设置为0.01，所用的脑电信号80％用作训练集，20％用作测试集；
5)针对测试样本数据，按照S1-S3步骤提取特征，将特征输入S4所建立的BP神经网络识别器，输出识别结果，与人工分析对比，验证步骤S2中短时能量阈值的正确性、S3中信号特征提取的稳定性以及BP神经网络作为分类器的可行性。
利用模型进行面部动作检测：
1)让试验者平静的坐在椅子上，并随意做面部动作，脑电检测设备获取其脑电信号，提取时域幅值在-400uv至400uv区间占比大于55％的数据段；
2)对效数据段进行短时能量和过零率分析，利用语音信号VAD方法分割出脑电检测设备中的待识别脑电信号，对脑电信号进行分帧处理；
3)提取每帧上的δ波的能量比、θ波的能量比、α波的能量比、β波的能量比、γ波的能量比和(α+θ)/β、α/β、(α+θ)/(α+β)、θ/β、0-40Hz的脑电信号能量比以及100Hz-200Hz的脑电信号能量比，计算脑电信号的平均能量、脑电信号总长度、脑电信号的过零率、最大值、最小值、最大值与最小值之间间隔和总长度之比，其中，δ波为0-4Hz的脑电波，θ波为4-8Hz的脑电波，α波为8-12Hz的脑电波，β波为12-30Hz的脑电波，γ波为30-100Hz的脑电波；
4)将提取的17个特征输入面部动作检测模型，得到面部动作检测结果。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (12)

1.一种基于脑电的面部动作检测模型创建方法，其特征在于：包括如下步骤，
1)采集不同类型的面部动作的脑电信号；
2)对脑电信号进行分帧处理，提取每帧上的脑电特征信息；
3)利用提取到的脑电特征进行BP神经网络模型训练，建立面部动作检测模型。
2.根据权利要求1所述的一种基于脑电的面部动作检测模型创建方法，其特征在于：步骤1)中，面部动作包括眨眼、咬牙、向上睁眼三种类型。
3.根据权利要求1所述的一种基于脑电的面部动作检测模型创建方法，其特征在于：步骤1)中，保留时域幅值在-400uv至400uv区间占比大于55％的数据段作为有效数据段。
4.根据权利要求3所述的一种基于脑电的面部动作检测模型创建方法，其特征在于：对有效数据段进行短时能量和过零率分析，利用语音信号VAD方法分割脑电检测设备中待识别脑电信号。
5.根据权利要求1所述的一种基于脑电的面部动作检测模型创建方法，其特征在于：步骤2)中，提取的脑电特征信息包括δ波的能量比、θ波的能量比、α波的能量比、β波的能量比、γ波的能量比和(α+θ)/β、α/β、(α+θ)/(α+β)、θ/β、0-40Hz的脑电信号能量比以及100Hz-200Hz的脑电信号能量比，计算脑电信号的平均能量、脑电信号总长度、脑电信号的过零率、最大值、最小值、最大值与最小值之间间隔和总长度之比。
6.一种基于脑电实时检测面部动作的方法，其特征在于：包括如下步骤，
1)获取面部动作的脑电信号；
2)对脑电信号进行分帧处理，提取每帧上的脑电特征信息；
3)输入权利要求1-5中任一的面部动作检测模型，得到面部动作检测结果。
7.根据权利要求6所述的一种基于脑电实时检测面部动作的方法，其特征在于：步骤1)中，面部动作包括眨眼、咬牙、向上睁眼三种类型。
8.根据权利要求6所述的一种基于脑电实时检测面部动作的方法，其特征在于：步骤1)中，保留时域幅值在-400uv至400uv区间占比大于55％的数据段作为有效数据段。
9.根据权利要求8所述的一种基于脑电实时检测面部动作的方法，其特征在于：对有效数据段进行短时能量和过零率分析，利用语音信号VAD方法分割脑电检测设备中待识别脑电信号。
10.根据权利要求6所述的一种基于脑电实时检测面部动作的方法，其特征在于：步骤2)中，提取的脑电特征信息包括δ波的能量比、θ波的能量比、α波的能量比、β波的能量比、γ波的能量比和(α+θ)/β、α/β、(α+θ)/(α+β)、θ/β、0-40Hz的脑电信号能量比以及100Hz-200Hz的脑电信号能量比，计算脑电信号的平均能量、脑电信号总长度、脑电信号的过零率、最大值、最小值、最大值与最小值之间间隔和总长度之比。
11.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求6-10任一项所述方法的步骤。
12.一种基于脑电实时检测面部动作的装置，其特征在于：该装置包括脑电检测单元和脑电分析单元，所述脑电检测单元用于检测脑电信号，所述脑电分析单元执行权利要求6-10任一项步骤，用于对脑电检测装置获取的脑电信号进行分割提取，将提取的脑电信号特征输入到BP神经网络识别器中识别，得出检测结果。
CN201811535827.7A 2018-12-14 2018-12-14 一种基于脑电实时检测面部动作的方法 Pending CN109344816A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811535827.7A CN109344816A (zh) 2018-12-14 2018-12-14 一种基于脑电实时检测面部动作的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811535827.7A CN109344816A (zh) 2018-12-14 2018-12-14 一种基于脑电实时检测面部动作的方法

Publications (1)

Publication Number Publication Date
CN109344816A true CN109344816A (zh) 2019-02-15

Family

ID=65304051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811535827.7A Pending CN109344816A (zh) 2018-12-14 2018-12-14 一种基于脑电实时检测面部动作的方法

Country Status (1)

Country Link
CN (1) CN109344816A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948445A (zh) * 2019-02-20 2019-06-28 西北大学 一种复杂背景下动作分类方法及分类系统
CN110051351A (zh) * 2019-03-28 2019-07-26 深圳市宏智力科技有限公司 咬牙信号获取方法以及电子设备的控制方法及装置
CN110495962A (zh) * 2019-08-26 2019-11-26 赫比（上海）家用电器产品有限公司 监测牙刷位置的方法及其牙刷和设备
CN110705639A (zh) * 2019-09-30 2020-01-17 吉林大学 一种基于深度学习的医学精子图像识别系统
CN111611860A (zh) * 2020-04-22 2020-09-01 西南大学 一种微表情发生检测方法及检测系统
CN111714339A (zh) * 2020-07-15 2020-09-29 西安交通大学 人体下肢运动的脑-肌电融合小世界神经网络预测方法
CN111956217A (zh) * 2020-07-15 2020-11-20 山东师范大学 一种面向实时脑电信号的眨眼伪迹识别方法及系统
CN113616213A (zh) * 2021-07-29 2021-11-09 山东大学 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质
CN114003129A (zh) * 2021-11-01 2022-02-01 北京师范大学 一种基于非侵入式脑机接口的意念控制虚实融合反馈方法
CN115067944A (zh) * 2022-08-22 2022-09-20 深圳市心流科技有限公司 一种眼动状态评估方法、装置、终端设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101221554A (zh) * 2008-01-25 2008-07-16 北京工业大学 基于小波变换和bp神经网络的脑电特征提取方法
CN103996054A (zh) * 2014-06-05 2014-08-20 中南大学 一种基于组合差异进化的脑电信号特征选择及分类方法
CN104970773A (zh) * 2015-07-21 2015-10-14 西安交通大学 一种基于双重特征筛选的自动睡眠分期方法
CN104997581A (zh) * 2015-07-17 2015-10-28 西安交通大学 基于面部表情驱动脑电信号的假手控制方法及装置
CN105022486A (zh) * 2015-07-17 2015-11-04 西安交通大学 基于不同表情驱动的脑电信号辨识方法
CN106974648A (zh) * 2017-03-27 2017-07-25 广州视源电子科技股份有限公司 基于时域及频域空间的脑电放松度识别方法及装置
CN107714038A (zh) * 2017-10-12 2018-02-23 北京翼石科技有限公司 一种脑电信号的特征提取方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101221554A (zh) * 2008-01-25 2008-07-16 北京工业大学 基于小波变换和bp神经网络的脑电特征提取方法
CN103996054A (zh) * 2014-06-05 2014-08-20 中南大学 一种基于组合差异进化的脑电信号特征选择及分类方法
CN104997581A (zh) * 2015-07-17 2015-10-28 西安交通大学 基于面部表情驱动脑电信号的假手控制方法及装置
CN105022486A (zh) * 2015-07-17 2015-11-04 西安交通大学 基于不同表情驱动的脑电信号辨识方法
CN104970773A (zh) * 2015-07-21 2015-10-14 西安交通大学 一种基于双重特征筛选的自动睡眠分期方法
CN106974648A (zh) * 2017-03-27 2017-07-25 广州视源电子科技股份有限公司 基于时域及频域空间的脑电放松度识别方法及装置
CN107714038A (zh) * 2017-10-12 2018-02-23 北京翼石科技有限公司 一种脑电信号的特征提取方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
SAROJ K.L. LAL 等: "Driver fatigue: Electroencephalography and psychological assessment", 《PSYCHOPHYSIOLOGY》 *
XIAOLI FAN 等: "Electroencephalogram assessment of mental fatigue in visual search", 《BIO-MEDICAL MATERIALS AND ENGINEERING》 *
吕卫强 等: "基于短时能量加过零率的实时语音端点检测方法", 《兵工自动化》 *
李庆 等: "色彩感知中的脑电信号多域特征选择算法研究", 《信号处理》 *
罗艾洲 著: "《语音增强：理论与实践》", 31 December 2012, 电子科技大学出版社 *
雷星晖 主编: "《枫林学苑》", 31 March 2013, 同济大学出版社 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948445A (zh) * 2019-02-20 2019-06-28 西北大学 一种复杂背景下动作分类方法及分类系统
CN110051351A (zh) * 2019-03-28 2019-07-26 深圳市宏智力科技有限公司 咬牙信号获取方法以及电子设备的控制方法及装置
CN110495962A (zh) * 2019-08-26 2019-11-26 赫比（上海）家用电器产品有限公司 监测牙刷位置的方法及其牙刷和设备
CN110705639B (zh) * 2019-09-30 2022-03-15 吉林大学 一种基于深度学习的医学精子图像识别系统
CN110705639A (zh) * 2019-09-30 2020-01-17 吉林大学 一种基于深度学习的医学精子图像识别系统
CN111611860B (zh) * 2020-04-22 2022-06-28 西南大学 一种微表情发生检测方法及检测系统
CN111611860A (zh) * 2020-04-22 2020-09-01 西南大学 一种微表情发生检测方法及检测系统
CN111956217A (zh) * 2020-07-15 2020-11-20 山东师范大学 一种面向实时脑电信号的眨眼伪迹识别方法及系统
CN111714339B (zh) * 2020-07-15 2021-09-07 西安交通大学 人体下肢运动的脑-肌电融合小世界神经网络预测方法
CN111714339A (zh) * 2020-07-15 2020-09-29 西安交通大学 人体下肢运动的脑-肌电融合小世界神经网络预测方法
CN111956217B (zh) * 2020-07-15 2022-06-24 山东师范大学 一种面向实时脑电信号的眨眼伪迹识别方法及系统
CN113616213A (zh) * 2021-07-29 2021-11-09 山东大学 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质
CN113616213B (zh) * 2021-07-29 2023-02-28 山东大学 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质
CN114003129A (zh) * 2021-11-01 2022-02-01 北京师范大学 一种基于非侵入式脑机接口的意念控制虚实融合反馈方法
CN114003129B (zh) * 2021-11-01 2023-08-29 北京师范大学 一种基于非侵入式脑机接口的意念控制虚实融合反馈方法
CN115067944A (zh) * 2022-08-22 2022-09-20 深圳市心流科技有限公司 一种眼动状态评估方法、装置、终端设备及存储介质
CN115067944B (zh) * 2022-08-22 2022-11-11 深圳市心流科技有限公司 一种眼动状态评估方法、装置、终端设备及存储介质

Similar Documents

Publication Publication Date Title
CN109344816A (zh) 一种基于脑电实时检测面部动作的方法
Sadiq et al. Motor imagery EEG signals classification based on mode amplitude and frequency components using empirical wavelet transform
Edla et al. Classification of EEG data for human mental state analysis using Random Forest Classifier
Liu et al. Deep learning based on batch normalization for P300 signal detection
Nurse et al. Decoding EEG and LFP signals using deep learning: heading TrueNorth
Krishna et al. An efficient mixture model approach in brain-machine interface systems for extracting the psychological status of mentally impaired persons using EEG signals
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
Cecotti et al. Convolutional neural networks for P300 detection with application to brain-computer interfaces
CN109784023B (zh) 基于深度学习的稳态视觉诱发脑电身份识别方法及系统
CN108960182A (zh) 一种基于深度学习的p300事件相关电位分类识别方法
CN105894039A (zh) 情绪识别模型建立方法、情绪识别方法及装置、智能设备
Arnau-González et al. ES1D: A deep network for EEG-based subject identification
Zhu et al. EEG-based emotion recognition using discriminative graph regularized extreme learning machine
CN108256579A (zh) 一种基于先验知识的多模态民族认同感量化测量方法
Yudhana et al. Human emotion recognition based on EEG signal using fast fourier transform and K-Nearest neighbor
Mane et al. StressNet: Hybrid model of LSTM and CNN for stress detection from electroencephalogram signal (EEG)
CN111259895A (zh) 一种基于面部血流分布的情感分类方法及系统
Qian et al. Decision-level fusion of EEG and pupil features for single-trial visual detection analysis
Nasrolahzadeh et al. Analysis of mean square error surface and its corresponding contour plots of spontaneous speech signals in Alzheimer's disease with adaptive wiener filter
Vashishth et al. Exploring the role of computer vision in human emotion recognition: a systematic review and meta-analysis
Asadzadeh et al. Accurate emotion recognition utilizing extracted EEG sources as graph neural network nodes
Kim et al. Development of person-independent emotion recognition system based on multiple physiological signals
Yashaswini et al. Stress detection using deep learning and IoT
Zhang et al. Classification of evoked emotions using an artificial neural network based on single, short-term physiological signals
Shah et al. A robust framework for optimum feature extraction and recognition of P300 from raw EEG

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: 20190215