CN109508653A - 一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法 - Google Patents

一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法 Download PDF

Info

Publication number
CN109508653A
CN109508653A CN201811255128.7A CN201811255128A CN109508653A CN 109508653 A CN109508653 A CN 109508653A CN 201811255128 A CN201811255128 A CN 201811255128A CN 109508653 A CN109508653 A CN 109508653A
Authority
CN
China
Prior art keywords
layer
value
follows
eeg signals
class
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
CN201811255128.7A
Other languages
English (en)
Inventor
叶宁
贾成栋
徐康
王娟
黄海平
程晶晶
林巧民
王汝传
陈龙鹏
凌鑫元
马铭辰
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 Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
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 Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201811255128.7A priority Critical patent/CN109508653A/zh
Publication of CN109508653A publication Critical patent/CN109508653A/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
    • G06F2218/02—Preprocessing
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的目的是提供一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法，该方法能够有效识别士兵在作战过程中的情绪状态。与很多已研究出来的单一的情绪识别相关方法不同，本方法是采用PNN分类器对脑电信号进行情绪识别，在此基础上采用实时问卷形式融合主观表达这一辅助因素，通过层次分析法对问卷结果进行权重的寻优，并进行权重赋值，最终通过BP神经网络融合这两类类决策结果得到最后的情绪识别结果。使用本发明提出的新方法可以有效识别单兵作战过程中的情绪状态。

Description

一种基于脑电信号与心理学融合的主客观单兵作战情绪识别 方法
技术领域
本发明属于情绪识别领域，具体涉及一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法
背景技术
随着科学技术的发展，现代战争的作战观念也在发生着变化，现代战争更加注重于单兵作战。这种作战模式下，战斗不仅需要具备先进的武器和发达的信息技术，还需具有针对单兵作战的实时监测。这种监测不仅体现在对士兵的位置以及生命体征的监测上，对单兵各类生理参数结合心理学进行分析其情绪对战争的意义同样重大。
在战场上，通过及时了解士兵的位置以及生命状况对于降低士兵的伤亡率起着至关重要的作用。然而除了位置信息和生命体征以外，对于士兵情绪的监测同样重要。根据对士兵在真实战场环境下进行的研究显示，最容易牺牲的是精神紧张的士兵，精神的高度紧张致使他们的身体机能出现问题，这对于单兵自身生命安全以及战争胜负都有着不容忽视的影响。因此，对每名士兵的精神状态和生理状况进行实时监测并作出及时有效的反馈，才能更好的发挥单兵作战的作用。
情绪分析包括主观分析法和客观分析法，客观分析主要是通过对生理指标等客观数据的分析来识别士兵的情绪特征。主观分析主要以自我报告或填写调查问卷的方式进行。目前，对于研究情绪与能够反映其特征的客观数据的对应关系，我们大都选用单一的生理指标来进行分析，但却忽略了个体的主观感受这一重要因素，因此情绪的识别率可能比较低。另外，人的生理信号主要是受人的自主神经系统和内分泌系统支配，而不受人的主观控制；个体的主观感受可以通过个体本人直接表达出来，融合客观和主观两方面的情绪决策结果能更高效地识别出被试者当下的情绪状态。
发明内容
本发明的目的是提供一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法，该方案主要包括：在模拟作战环境下，被试者采集脑电信号，同时进行实时问卷，问卷的内容根据层次分析法分析作战过程中士兵的主要心理因素确定；对被试者在脑电信号采集过程中得到的数据经过预处理后，进行特征提取，之后采用概率神经网络(PNN)进行情绪模式分类；通过层次分析法对主观问卷调查当中的所有元素进行权重排序，选取其中权重较大的因素，最后将分类的得到的脑电信号和主观问卷权重较大的元素作为BP神经网络的输入进行模型训练，最后进行情绪状态的识别。
一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法，包括如下步骤：
步骤一：被试者在模拟战场环境下，采集被试者的脑电信号，并对提取到的脑电信号进行预处理和特征提取，之后对预处理过的脑电信号采用经验小波变换(EWT)方法进行分解；
步骤二：在模拟战场环境下，对被试者进行实时问卷，问卷的内容根据层次分析法分析作战过程中士兵的主要心理因素确定；
步骤三：将提取到的脑电信号特征采用概率神经网络(PNN)进行训练和识别；
步骤四：采用层次分析法，对主观问卷的结果进行权重排序，并且选取其中权重较大的几个因素；所述层次分析法具体为：
步骤4-1：建立相关指标体系递阶层次结构；
步骤4-2：构建判断矩阵，在判断矩阵中设置相应的比例标度；
步骤4-3：指标权重计算：根据得到的判断矩阵，对矩阵的最大特征跟对应的特征向量进行计算；权重向量的计算方法为：
AW＝λmaxW
其中，A为判断矩阵，λmax是A的最大特征根，W是对应的特征向量。对W进行归一化就可以作为权重向量；
根据如下算法检验其一致性：
CR＝CI/RI
CI＝(λmax-n)(n-1)
其中n表示判断矩阵的维度，RI对应不同维度的判断矩阵取值；
得到CR的值，如果CR＜0.1,认为判断矩阵的一致性是可以接受的，如果CR≥0.1，认为判断矩阵的一致性是需要进行修正来达到的；
步骤4-4：对个元素进行排序：设表示第(k-1)层上nk-1个元素相对于总目标的权重向量排序，用表示第k蹭上nk个元素对第k-1层上第 j个元素的为准则的权重向量排序，如果元素不受j元素支配，对其权重赋值为零；
是nk×nk-1阶矩阵，它表示第k层上元素对k-1层上各元素的排序，可以得到第k层上元素对目标元素的总排序W(k)为：
通过上式计算出权重总排序之后，要对其进行逐层一致性检验。确定为k-1层上元素j为准则的一致性指标，为平均随即一致性指标，为一致性比例，j＝1,2,...,nk-1，可得k层的综合指标为：
CR(k)＝CI(k)/RI(k)
当CR(k)＜0.1时认为层次结构满足整体一致性；
步骤五：将得到的脑电信号特征与排序得到的主观因素作为BP 神经网络的输入进行模型训练；BP神经网络输入层的输入为：
神经网络隐含层的输入为、输出为：
隐含层神经元的活化函数取正负对称的Sigmoid函数：
网络输出层的输入和输出为：
输出层神经元的活化函数为非负的Sigmoid函数：
采用梯度下降算法确定BP神经网络的阈值和权值。
进一步地，所述步骤一中，对于给定的原始信号f(t)，EWT的步骤为：
步骤(1-1)：将原始信号[0,π]中的傅里叶频谱分割成N个连续 分段，Λn＝[ωn-1,ωn]，其中ωn是不同分段之间的界限，变量n从1变 化到N，ω1和ωN的值分别为0和π；
步骤(1-2)：将经验小波定义为ΛN上的带通滤波器，根据 Littlewood-Paley和Meyer小波的构造，经验尺度函数和经验小波分别定义为：
其中τn＝γωn，参数γ确保和和的准确，并且公式中的β(x)是一个仲裁公式；
步骤(1-3)：使用传统的小波变换方法定义系数定义为：
经验模式fk(t)由下式给出：
步骤(1-4)：通过AR方法从EWT获得的每个经验模式的AR系数； AR模型表示为：
其中P是模型的顺序。
进一步地，所述步骤三中，概率神经网络(PNN)进行训练和识别的具体方法如下：
对于分类任务，假设有k个类别(C1,C2,...,CK),则贝叶斯决策准则为：
其中P(Ci|X)为样本X属于类Ci的后验概率，后验概率可以通过下式计算：
P(Ci|X)＝P(Ci)×P(X|Ci)
其中P(Ci)为类别Ci的先验概率，P(X|Ci)为类Ci的类条件概率，通过Parzen窗法进行类条件概率的估计，得到基于高斯函数的概率密度函数估计式为：
其中，X为输入样本向量，l为样本向量的维度，ni是类Ci中的训练样本数，Xij是类Ci的第j个模式样本，σ为窗长度系数；
联立两式，即可得到概率神经网络的判别函数：
用PNN进行k(k≥2)类情绪识别，是一个四层的前向网络，包括输入层、模式层、求和层和输出层，其中X＝[x1,x2,...,xl]∈Rl为输入的未知样本向量，xj是样本特征；输入层神经元数目等于特征样本的维度为l。模式层类Ci的第j个模式单元Xij的输出为：
其中σ可由经验给出或搜索确定；模式层的神经元数目等于训练集的模式单元总数。求和层神经元数目等于训练样本集的类别数k；对于类Ci，其对应的神经单元g的输出为：
输出层单元包含k个神经单元，对应k个类别，对求和层的k 类概率结果进行比较，概率值最大的类对应的神经单元输出结果为1，其余神经单元的输出为0。
进一步地，所述步骤四的步骤4-2中，判断矩阵的比例标度具体设置为：标度1表示两个元素相比两者具有同样重要性；标度3表示两个元素相比前者比后者稍重要；标度5表示两个元素相比前者比后者稍重要；标度7表示两个元素相比前者比后者强烈重要；标度9表示两个元素相比前者比后者强烈重要；标度2、4、6、8表示上述相邻判断的中间值(例如微小、更为、十分、更强烈等)；标度倒数表示若元素i与j的重要性之比为aij，那么元素j与元素i的重要性之比为aji＝1/aij。
进一步地，所述步骤四中的步骤4-3，对于1-10阶判断矩阵，所述RI的值为：1阶判断矩阵，RI的值为0；2阶判断矩阵，RI的值为0；3阶判断矩阵，RI的值为0.58；4阶判断矩阵，RI的值为 0.96；5阶判断矩阵，RI的值为1.12；6阶判断矩阵，RI的值为1.24； 7阶判断矩阵，RI的值为1.32；8阶判断矩阵，RI的值为1.41；9 阶判断矩阵，RI的值为1.45；10阶判断矩阵，RI的值为1.49。
与现有技术相比，本发明具有以下的有益效果：
1、本发明提出的方法突破了传统小波变换的研究局限，采用经验模式分解与小波变换融合的经验小波变换方法，两种方法可以优势互补，能够有效识别不同的情绪状态；
2、本发明提出的方法融合了客观和主观两方面的决策结果，脑信号是伴随着情绪变化而产生的客观数据，是用户的情绪状态的客观反映，而用户的情绪表达则是对情绪状态的主观反映；
3、本发明采用概率神经网络进行模式分类，识别速度可以更快，更能够满足战场实时性的要求，采用BP神经网络进行模型训练，使得最终的识别结果更加准确、可靠。
附图说明
图1为单兵作战情绪检测流程图。
图2为实时问卷内容安排图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法，包括如下步骤：
步骤一：被试者在模拟战场环境下，采集被试者的脑电信号，并对提取到的脑电信号进行预处理和特征提取，之后对预处理过的脑电信号采用经验小波变换(EWT)方法进行分解。
对于给定的原始信号f(t)，EWT的步骤为：
步骤(1-1)：将原始信号[0,π]中的傅里叶频谱分割成N个连续 分段，Λn＝[ωn-1,ωn]，其中ωn是不同分段之间的界限，变量n从1变 化到N，ω1和ωN的值分别为0和π。
步骤(1-2)：将经验小波定义为ΛN上的带通滤波器，根据 Littlewood-Paley和Meyer小波的构造，经验尺度函数和经验小波分别定义为：
其中τn＝γωn，参数γ确保和的准确，并且公式中的β(x)是一个仲裁公式。
步骤(1-3)：使用传统的小波变换方法定义系数定义为：
经验模式fk(t)由下式给出：
步骤(1-4)：通过AR方法从EWT获得的每个经验模式的AR系数。 AR模型表示为：
其中P是模型的顺序。
步骤二：在模拟战场环境下，对被试者进行实时问卷，问卷的内容根据层次分析法分析作战过程中士兵的主要心理因素确定。
步骤三：将提取到的脑电信号特征采用概率神经网络(PNN)进行训练和识别。
概率神经网络(PNN)进行训练和识别的具体方法如下：
对于分类任务，假设有k个类别(C1,C2,...,CK),则贝叶斯决策准则为：
其中P(Ci|X)为样本X属于类Ci的后验概率，后验概率可以通过下式计算：
P(Ci|X)＝P(Ci)×P(X|Ci)
其中P(Ci)为类别Ci的先验概率，P(X|Ci)为类Ci的类条件概率，通过Parzen窗法进行类条件概率的估计，得到基于高斯函数的概率密度函数估计式为：
其中，X为输入样本向量，l为样本向量的维度，ni是类Ci中的训练样本数，Xij是类Ci的第j个模式样本，σ为窗长度系数。
联立两式，即可得到概率神经网络的判别函数：
用PNN进行k(k≥2)类情绪识别，是一个四层的前向网络，包括输入层、模式层、求和层和输出层，其中X＝[x1,x2,...,xl]∈Rl为输入的未知样本向量，xj是样本特征。输入层神经元数目等于特征样本的维度为l。模式层类Ci的第j个模式单元Xij的输出为：
其中σ可由经验给出或搜索确定。模式层的神经元数目等于训练集的模式单元总数。求和层神经元数目等于训练样本集的类别数k。对于类Ci，其对应的神经单元g的输出为：
输出层单元包含k个神经单元，对应k个类别，对求和层的k 类概率结果进行比较，概率值最大的类对应的神经单元输出结果为1，其余神经单元的输出为0。
步骤四：采用层次分析法，对主观问卷的结果进行权重排序，并且选取其中权重较大的几个因素；所述层次分析法具体为：
步骤4-1：建立相关指标体系递阶层次结构。
步骤4-2：构建判断矩阵，在判断矩阵中设置相应的比例标度。
判断矩阵的比例标度具体设置为：标度1表示两个元素相比两者具有同样重要性；标度3表示两个元素相比前者比后者稍重要；标度 5表示两个元素相比前者比后者稍重要；标度7表示两个元素相比前者比后者强烈重要；标度9表示两个元素相比前者比后者强烈重要；标度2、4、6、8表示上述相邻判断的中间值(例如微小、更为、十分、更强烈等)；标度倒数表示若元素i与j的重要性之比为aij，那么元素j与元素i的重要性之比为aji＝1/aij。
步骤4-3：指标权重计算：根据得到的判断矩阵，对矩阵的最大特征跟对应的特征向量进行计算；权重向量的计算方法为：
AW＝λmaxW
其中，A为判断矩阵，λmax是A的最大特征根，W是对应的特征向量。对W进行归一化就可以作为权重向量。
根据如下算法检验其一致性：
CR＝CI/RI
CI＝(λmax-n)(n-1)
其中n表示判断矩阵的维度，RI对应不同维度的判断矩阵取值。
对于1-10阶判断矩阵，所述RI的值为：1阶判断矩阵，RI的值为0；2阶判断矩阵，RI的值为0；3阶判断矩阵，RI的值为0.58； 4阶判断矩阵，RI的值为0.96；5阶判断矩阵，RI的值为1.12；6 阶判断矩阵，RI的值为1.24；7阶判断矩阵，RI的值为1.32；8阶判断矩阵，RI的值为1.41；9阶判断矩阵，RI的值为1.45；10阶判断矩阵，RI的值为1.49。
得到CR的值，如果CR＜0.1,认为判断矩阵的一致性是可以接受的，如果CR≥0.1，认为判断矩阵的一致性是需要进行修正来达到的。
步骤4-4：对个元素进行排序：设表示第(k-1)层上nk-1个元素相对于总目标的权重向量排序，用表示第k蹭上nk个元素对第k-1层上第 j个元素的为准则的权重向量排序，如果元素不受j元素支配，对其权重赋值为零。
是nk×nk-1阶矩阵，它表示第k层上元素对k-1层上各元素的排序，可以得到第k层上元素对目标元素的总排序W(k)为：
通过上式计算出权重总排序之后，要对其进行逐层一致性检验。确定为k-1层上元素j为准则的一致性指标，为平均随即一致性指标，为一致性比例，j＝1,2,...,nk-1，可得k层的综合指标为：
CR(k)＝CI(k)/RI(k)
当CR(k)＜0.1时认为层次结构满足整体一致性。
步骤五：将得到的脑电信号特征与排序得到的主观因素作为BP 神经网络的输入进行模型训练；BP神经网络输入层的输入为：
神经网络隐含层的输入为、输出为：
隐含层神经元的活化函数取正负对称的Sigmoid函数：
网络输出层的输入和输出为：
输出层神经元的活化函数为非负的Sigmoid函数：
采用梯度下降算法确定BP神经网络的阈值和权值。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (5)

1.一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法，其特征在于：所述情绪识别方法包括如下步骤：
步骤一：被试者在模拟战场环境下，采集被试者的脑电信号，并对提取到的脑电信号进行预处理和特征提取，之后对预处理过的脑电信号采用经验小波变换(EWT)方法进行分解；
步骤二：在模拟战场环境下，对被试者进行实时问卷，问卷的内容根据层次分析法分析作战过程中士兵的主要心理因素确定；
步骤三：将提取到的脑电信号特征采用概率神经网络(PNN)进行训练和识别；
步骤四：采用层次分析法，对主观问卷的结果进行权重排序，并且选取其中权重较大的几个因素；所述层次分析法具体为：
步骤4-1：建立相关指标体系递阶层次结构；
步骤4-2：构建判断矩阵，在判断矩阵中设置相应的比例标度；
步骤4-3：指标权重计算：根据得到的判断矩阵，对矩阵的最大特征跟对应的特征向量进行计算；权重向量的计算方法为：
AW＝λmaxW
其中，A为判断矩阵，λmax是A的最大特征根，W是对应的特征向量。对W进行归一化就可以作为权重向量；
根据如下算法检验其一致性：
CR＝CI/RI
CI＝(λmax-n)(n-1)
其中n表示判断矩阵的维度，RI对应不同维度的判断矩阵取值；
得到CR的值，如果CR＜0.1,认为判断矩阵的一致性是可以接受的，如果CR≥0.1，认为判断矩阵的一致性是需要进行修正来达到的；
步骤4-4：对个元素进行排序：设表示第(k-1)层上nk-1个元素相对于总目标的权重向量排序，用表示第k蹭上nk个元素对第k-1层上第j个元素的为准则的权重向量排序，如果元素不受j元素支配，对其权重赋值为零；
是nk×nk-1阶矩阵，它表示第k层上元素对k-1层上各元素的排序，可以得到第k层上元素对目标元素的总排序W(k)为：
通过上式计算出权重总排序之后，要对其进行逐层一致性检验。确定为k-1层上元素j为准则的一致性指标，为平均随即一致性指标，为一致性比例，j＝1,2,...,nk-1，可得k层的综合指标为：
CR(k)＝CI(k)/RI(k)
当CR(k)＜0.1时认为层次结构满足整体一致性；
步骤五：将得到的脑电信号特征与排序得到的主观因素作为BP神经网络的输入进行模型训练；BP神经网络输入层的输入为：
神经网络隐含层的输入为、输出为：
隐含层神经元的活化函数取正负对称的Sigmoid函数：
网络输出层的输入和输出为：
输出层神经元的活化函数为非负的Sigmoid函数：
采用梯度下降算法确定BP神经网络的阈值和权值。
2.根据权利要求1所述的一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法，其特征在于：所述步骤一中，对于给定的原始信号f(t)，EWT的步骤为：
步骤(1-1)：将原始信号[0,π]中的傅里叶频谱分割成N个连续分段，Λn＝[ωn-1,ωn]，其中ωn是不同分段之间的界限，变量n从1变化到N，ω1和ωN的值分别为0和π；
步骤(1-2)：将经验小波定义为ΛN上的带通滤波器，根据Littlewood-Paley和Meyer小波的构造，经验尺度函数和经验小波分别定义为：
其中τn＝γωn，参数γ确保和的准确，并且公式中的β(x)是一个仲裁公式；
步骤(1-3)：使用传统的小波变换方法定义系数定义为：
经验模式fk(t)由下式给出：
步骤(1-4)：通过AR方法从EWT获得的每个经验模式的AR系数。AR模型表示为：
其中P是模型的顺序。
3.根据权利要求1所述的一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法，其特征在于：所述步骤三中，概率神经网络(PNN)进行训练和识别的具体方法如下：
对于分类任务，假设有k个类别(C1,C2,...,CK),则贝叶斯决策准则为：
其中P(Ci|X)为样本X属于类Ci的后验概率，后验概率可以通过下式计算：
P(Ci|X)＝P(Ci)×P(X|Ci)
其中P(Ci)为类别Ci的先验概率，P(X|Ci)为类Ci的类条件概率，通过Parzen窗法进行类条件概率的估计，得到基于高斯函数的概率密度函数估计式为：
其中，X为输入样本向量，l为样本向量的维度，ni是类Ci中的训练样本数，Xij是类Ci的第j个模式样本，σ为窗长度系数；
联立两式，即可得到概率神经网络的判别函数：
用PNN进行k(k≥2)类情绪识别，是一个四层的前向网络，包括输入层、模式层、求和层和输出层，其中X＝[x1,x2,...,xl]∈Rl为输入的未知样本向量，xj是样本特征；输入层神经元数目等于特征样本的维度为l；模式层类Ci的第j个模式单元Xij的输出为：
其中σ可由经验给出或搜索确定；模式层的神经元数目等于训练集的模式单元总数；求和层神经元数目等于训练样本集的类别数k；对于类Ci，其对应的神经单元g的输出为：
输出层单元包含k个神经单元，对应k个类别，对求和层的k类概率结果进行比较，概率值最大的类对应的神经单元输出结果为1，其余神经单元的输出为0。
4.根据权利要求1所述的一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法，其特征在于：所述步骤四的步骤4-2中，判断矩阵的比例标度具体设置为：标度1表示两个元素相比两者具有同样重要性；标度3表示两个元素相比前者比后者稍重要；标度5表示两个元素相比前者比后者稍重要；标度7表示两个元素相比前者比后者强烈重要；标度9表示两个元素相比前者比后者强烈重要；标度2、4、6、8表示上述相邻判断的中间值(例如微小、更为、十分、更强烈等)；标度倒数表示若元素i与j的重要性之比为aij，那么元素j与元素i的重要性之比为aji＝1/aij。
5.根据权利要求1所述的一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法，其特征在于：所述步骤四中的步骤4-3，对于1-10阶判断矩阵，所述RI的值为：1阶判断矩阵，RI的值为0；2阶判断矩阵，RI的值为0；3阶判断矩阵，RI的值为0.58；4阶判断矩阵，RI的值为0.96；5阶判断矩阵，RI的值为1.12；6阶判断矩阵，RI的值为1.24；7阶判断矩阵，RI的值为1.32；8阶判断矩阵，RI的值为1.41；9阶判断矩阵，RI的值为1.45；10阶判断矩阵，RI的值为1.49。
CN201811255128.7A 2018-10-26 2018-10-26 一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法 Pending CN109508653A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811255128.7A CN109508653A (zh) 2018-10-26 2018-10-26 一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811255128.7A CN109508653A (zh) 2018-10-26 2018-10-26 一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法

Publications (1)

Publication Number Publication Date
CN109508653A true CN109508653A (zh) 2019-03-22

Family

ID=65746007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811255128.7A Pending CN109508653A (zh) 2018-10-26 2018-10-26 一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法

Country Status (1)

Country Link
CN (1) CN109508653A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110074797A (zh) * 2019-04-17 2019-08-02 重庆大学 基于脑电波和时空数据融合的时空-心理分析方法
CN110458058A (zh) * 2019-07-30 2019-11-15 北京航空航天大学 表情的识别方法和装置
CN111738302A (zh) * 2020-05-28 2020-10-02 华南理工大学 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统
CN114626474A (zh) * 2022-03-21 2022-06-14 厦门大学 一种基于概率神经网络的车辆电源状态检测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944473A (zh) * 2017-11-06 2018-04-20 南京邮电大学 一种基于多分类器主客观融合的生理信号情感识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944473A (zh) * 2017-11-06 2018-04-20 南京邮电大学 一种基于多分类器主客观融合的生理信号情感识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DAN HUANG ET AL: "EEG-based emotion recognition using empirical wavelet transform", 《THE 2017 4TH INTERNATIONAL CONFERENCE ON SYSTEMS AND INFORMATICS》 *
孙克鹏: "基于层次分析法的军队作战心理风险评估研究", 《中国优秀硕士学位论文全文数据库社会科学Ⅰ辑》 *
王缘: "基于无线体域网的单兵精神状态监测系统", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
蒋芸 等: "基于bagging的概率神经网络集成分类算法", 《计算机学科》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110074797A (zh) * 2019-04-17 2019-08-02 重庆大学 基于脑电波和时空数据融合的时空-心理分析方法
CN110074797B (zh) * 2019-04-17 2022-08-23 重庆大学 基于脑电波和时空数据融合的时空-心理分析方法
CN110458058A (zh) * 2019-07-30 2019-11-15 北京航空航天大学 表情的识别方法和装置
CN110458058B (zh) * 2019-07-30 2022-04-19 北京航空航天大学 表情的识别方法和装置
CN111738302A (zh) * 2020-05-28 2020-10-02 华南理工大学 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统
CN114626474A (zh) * 2022-03-21 2022-06-14 厦门大学 一种基于概率神经网络的车辆电源状态检测方法及系统

Similar Documents

Publication Publication Date Title
CN109508653A (zh) 一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法
CN107944473A (zh) 一种基于多分类器主客观融合的生理信号情感识别方法
Alyuz et al. Semi-supervised model personalization for improved detection of learner's emotional engagement
Pratap et al. Predictive assessment of autism using unsupervised machine learning models
Parsaei et al. SVM-based validation of motor unit potential trains extracted by EMG signal decomposition
CN109741007A (zh) 一种航空驾驶舱工作负荷试验的被试人员筛选方法
CN114693170A (zh) 一种基于多源参数融合的飞行员跳伞训练心理评估方法
Viroonluecha et al. Salary predictor system for thailand labour workforce using deep learning
Yulita et al. Multichannel electroencephalography-based emotion recognition using machine learning
Molla et al. A predictive analysis framework of heart disease using machine learning approaches
Chen et al. Evaluating aircraft cockpit emotion through a neural network approach
Masih et al. Application of data mining techniques for early detection of heart diseases using Framingham heart study dataset
Rangulov et al. Emotion recognition on large video dataset based on convolutional feature extractor and recurrent neural network
Choudhary et al. Glaucoma detection using cross validation algorithm
Barata et al. Graphology analysis for detecting hexaco personality and character through handwriting images by using convolutional neural networks and particle swarm optimization methods
CN116128275A (zh) 一种事件推演预测系统
Narasimhan et al. Artificial lampyridae classifier (ALC) for coronary artery heart disease prediction in diabetes patients
Zhang et al. Predicting cardiovascular events by machine learning
Derevyagin et al. Applying Neural Networks in Polygraph Testing
Guleva et al. Personality traits classification from EEG signals using EEGNet
Nasim et al. Emotional understanding of an image by applying high-level concepts on image parts
Karaja et al. Using Deep Learning to Detect the Quality of Lemons
CN113553896B (zh) 一种基于多特征深度森林的脑电情绪识别方法
Rasheed et al. Fusion of multiple classifiers for motor unit potential sorting
El-Tantawi et al. The Fast Food Image Classification using Deep Learning

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: 20190322

RJ01 Rejection of invention patent application after publication