CN110025322A - 基于滤波与集成分类器的多模态生理信号情感分类方法 - Google Patents
基于滤波与集成分类器的多模态生理信号情感分类方法 Download PDFInfo
- Publication number
- CN110025322A CN110025322A CN201910287892.0A CN201910287892A CN110025322A CN 110025322 A CN110025322 A CN 110025322A CN 201910287892 A CN201910287892 A CN 201910287892A CN 110025322 A CN110025322 A CN 110025322A
- Authority
- CN
- China
- Prior art keywords
- signal
- dimension
- refers
- data
- band
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000001914 filtration Methods 0.000 title claims abstract description 11
- 230000008451 emotion Effects 0.000 claims abstract description 17
- PIZHFBODNLEQBL-UHFFFAOYSA-N 2,2-diethoxy-1-phenylethanone Chemical compound CCOC(OCC)C(=O)C1=CC=CC=C1 PIZHFBODNLEQBL-UHFFFAOYSA-N 0.000 claims abstract description 5
- 230000002996 emotional effect Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000037007 arousal Effects 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 2
- 238000002567 electromyography Methods 0.000 claims 2
- 241000282414 Homo sapiens Species 0.000 description 6
- 230000008909 emotion recognition Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002570 electrooculography Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000009916 joint effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analogue processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Physiology (AREA)
- Social Psychology (AREA)
- Ophthalmology & Optometry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于滤波与集成分类器的多模态生理信号情感分类方法，首先从标准数据集DEAP中获取脑电信号、眼电信号、肌电信号作为初始数据集D，选取A‑V情感维度模型中的A维度和V维度情感标签作为标签集L1和L2；根据Butterworth滤波器阶数和过滤信号频率确定4个带通滤波器，将数据集中每一行进行四次滤波，分别得到Theta波段、Alpha波段、Beta波段和Gamma波段数据；然后，将滤波后数据以长度为10秒时间窗计算Hjorth的三个时域参数，并结合不同生理信号的三个参数形成新的特征数据集；最后，将中的每一行集成分类器中，判定其所属的情感类别。
Description
技术领域
本发明涉及生理信号的情感分类方法，特别涉及一种基于滤波与集成分类器的多模态生理信号情感分类方法。
背景技术
情感是构成我们自身人格特点的一个重要元素，它可以影响我们的工作效率、学习状态、社会交往情况等，越来越多研究人员关注情感识别领域。通过言语、面部表情进行情感识别，是情感分类相关研究中非常重要的部分，然而，由于言语和面部表情往往会受到个体的主观意识的控制，在某些情况下的识别结果并不完全可靠。而生理信号（心电、眼电、肌电、脑电及血压等）具有无意识控制的特性，并随着人机接口技术的不断发展，收集生理信号的方式对人体无任何伤害，因此，这类数据更适合用来进行科学研究。目前，基于生理信号的情感识别已经成为研究者们广泛关注的研究课题。
基于多模态的生理信号情感识别模型是将人体中搜集到的各种生理信号：脑电信号、眼电信号、肌电信号进行结合分析后，对其所代表的情感状态进行判定。这是人工智能发展领域一个重要的组成部分，通过对人体生理信号的分析得到人的情感状态，可以更好地分析人类情感模式，进而通过调节自身状态或更改周围环境来帮助人类进行调节。
现有生理信号情感分类方法可归纳为以下三类：基于熵的特征提取方法、基于傅里叶变换的时频域分析方法和基于深度学习模型的特征提取分析方法。其中，基于熵的特征提取方法包括样本熵、信息熵和排列熵等；基于傅里叶变换的时频域分析方法包括短时傅里叶变换、小波变换、小波包变换等；基于深度学习模型的方法包括卷积神经网络、深度信念网络等。这三类方法尚存在以下不足：第一，单一的使用一种生理信号进行情感识别的效果不是特别理想，结果不具有很强的说服力；第二，没有考虑到不同波段生理信号中包含不同类别情感特征的差异性；第三，大多数方法最终使用单一分类器进行情感判定，每次所得结果的准确率浮动较大，直接影响了算法的性能。
发明内容
本发明是为了解决现有基于生理信号的情感识别技术所存在的上述问题，提供一种基于滤波与集成分类器的多模态生理信号情感分类方法。
本发明的技术解决方案是：一种基于滤波与集成分类器的多模态生理信号情感分类方法，其特征在于按如下步骤进行：
约定：D指所采用的多模态生理信号情感数据集；L指情感标签；A指A-V情感维度模型中的Arousal维；V指A-V情感维度模型中的Valence维；LA指Arousal维度中评价值小于等于5的一类；HA指Arousal维度中评价值大于5的一类；LV指Valence维度中评价值小于等于5的一类；HV指Valence维度中评价值大于5的一类；
a. 初始设置
采用国际标准多模态生理信号数据集DEAP中的脑电信号、眼电信号、肌电信号作为初始数据集D，选取其中的A维度和V维度情感标签作为标签集L1，L2；
b. 生理信号滤波处理
b.1 设置Butterworth滤波器的阶数为8，设置过滤的信号波段分别为Theta波、Alpha波、Beta波、Gamma波，形成四个不同的带通滤波器；
b.2 对初始数据集D中脑电信号、眼电信号、肌电信号的每一行数据使用不同的带通滤波器进行四次滤波，分别得到Theta波段数据、Alpha波段数据、Beta波段数据、Gamma波段数据；
c. Hjorth参数计算
c.1 对每一行数据，给定时间窗长度为10秒，分别计算Hjorth的3个时域参数；
c.2 计算信号能量Activity参数，其中y(t)表示输入信号，var(X)表示向量X中元素的样本方差的无偏估计值：
c.3 计算功率谱标准差比例Mobility参数：
c.4 计算频率变化Complexity参数：
c.5 结合Hjorth的3个时域参数，形成新的参数特征集；
d. 分类器集成
d.1 将支持向量机、随机森林、决策树三个分类器采用装袋方法组成集成分类器；
d.2 将中的特征数据按条输入到组建的集成分类器中，通过三个不同分类器的共同作用，给出每条数据的所属情感类别LA/HA，LV/HV。
本发明首先从标准数据集DEAP中获取脑电信号（EEG）、眼电信号（EOG）、肌电信号（EMG）作为初始数据集D，选取A-V情感维度模型中的A维度和V维度情感标签作为标签集L1和L2；其次，将数据集中每一行作为一个样本，根据Butterworth滤波器阶数和过滤信号频率确定4个带通滤波器，将每个样本进行四次滤波，分别得到Theta波段、Alpha波段、Beta波段和Gamma波段数据；然后，将滤波后数据以长度为10秒时间窗计算Hjorth的三个时域参数，并以结合不同生理信号的三个时域参数形成新的特征数据集；最后，将中的每一行作为一个实例输入到由支持向量机（SVM）、随机森林（RF）和决策树（CART），通过装袋（Bagging）方法组成的集成分类器中，判定其所属的情感类别。实验结果显示，本发明在情感二分类中A维度的分类准确率为94.42%，V维度的分类准确率为94.20%，表明算法具有显著优势。
与现有技术相比，本发明具有以下有益效果：
第一，本发明结合了脑电信号、眼电信号、肌电信号对情感特征进行分析，包含的信息较为全面；
第二，本发明过滤出不同波段信号进行了分析，能够得到不同波段所包含的有针对性的情感特征；
第三，本发明采用了集成分类器，能够很好地融合支持向量机、随机森林和决策树的单一分类器优点，从而得到较好的分类效果，提高了模型的稳定性。
附图说明：
图1为本发明实施例在A维度上实验结果示意图。
图2为本发明实施例在V维度上实验结果示意图。
图3为本发明实施例的流程图。
具体实施方式
本发明的基于滤波与集成分类器的多模态生理信号情感分类方法如图3所示，按如下步骤进行：
约定：D指所采用的多模态生理信号情感数据集；L指情感标签；A指A-V情感维度模型中的Arousal维；V指A-V情感维度模型中的Valence维；LA指Arousal维度中评价值小于等于5的一类；HA指Arousal维度中评价值大于5的一类；LV指Valence维度中评价值小于等于5的一类；HV指Valence维度中评价值大于5的一类；
a. 初始设置
采用国际标准多模态生理信号数据集DEAP中的脑电信号（EEG）、眼电信号（EOG）、肌电信号（EMG）作为初始数据集D，选取其中的A维度和V维度情感标签作为标签集L1，L2；
b. 生理信号滤波处理
b.1 设置Butterworth滤波器的阶数为8，设置过滤的信号波段分别为Theta波、Alpha波、Beta波、Gamma波，形成四个不同的带通滤波器；
b.2 对初始数据集D中脑电信号、眼电信号、肌电信号的每一行数据使用不同的带通滤波器进行四次滤波，分别得到Theta(4-8Hz)波段数据、Alpha(8-13Hz)波段数据、Beta(13-30Hz)波段数据、Gamma(30-43Hz)波段数据；
c. Hjorth参数计算
c.1 对每一行数据，给定时间窗长度为10秒，分别计算Hjorth的3个时域参数；
c.2 计算信号能量Activity参数，其中y(t)表示输入信号，var(X)表示向量X中元素的样本方差的无偏估计值：
c.3 计算功率谱标准差比例Mobility参数：
c.4 计算频率变化Complexity参数：
c.5 结合Hjorth的3个时域参数，形成新的参数特征集；
d. 分类器集成
d.1 将支持向量机（SVM）、随机森林（RF）、决策树（CART）三个分类器采用装袋（Bagging）方法组成集成分类器；
d.2 将中的特征数据按条输入到组建的集成分类器中，通过三个不同分类器的共同作用，给出每条数据的所属情感类别LA/HA，LV/HV。
实验测试和参数设置：
实验是在MATLAB环境下执行的，实验所涉及到的标准数据库均已公开，可从http://www.eecs.qmul.ac.uk/mmv/datasets/deap/ 自行搜索下载。
图1为本发明实施例在A维度上实验结果示意图。
图2为本发明实施例在V维度上实验结果示意图。
实验结果显示，本发明在情感二分类中A维度的分类准确率为94.42%，V维度的分类准确率为94.20%，表明算法具有显著优势。
Claims (1)
1.一种基于滤波与集成分类器的多模态生理信号情感分类方法，其特征在于按如下步骤进行：
约定：D指所采用的多模态生理信号情感数据集；L指情感标签；A指A-V情感维度模型中的Arousal维；V指A-V情感维度模型中的Valence维；LA指Arousal维度中评价值小于等于5的一类；HA指Arousal维度中评价值大于5的一类；LV指Valence维度中评价值小于等于5的一类；HV指Valence维度中评价值大于5的一类；
初始设置
采用国际标准多模态生理信号数据集DEAP中的脑电信号、眼电信号、肌电信号作为初始数据集D，选取其中的A维度和V维度情感标签作为标签集L1，L2；
b. 生理信号滤波处理
b.1 设置Butterworth滤波器的阶数为8，设置过滤的信号波段分别为Theta波、Alpha波、Beta波、Gamma波，形成四个不同的带通滤波器；
b.2 对初始数据集D中脑电信号、眼电信号、肌电信号的每一行数据使用不同的带通滤波器进行四次滤波，分别得到Theta波段数据、Alpha波段数据、Beta波段数据、Gamma波段数据；
c. Hjorth参数计算
c.1 对每一行数据，给定时间窗长度为10秒，分别计算Hjorth的3个时域参数；
c.2 计算信号能量Activity参数，其中y(t)表示输入信号，var(X)表示向量X中元素的样本方差的无偏估计值：
c.3 计算功率谱标准差比例Mobility参数：
c.4 计算频率变化Complexity参数：
c.5 结合Hjorth的3个时域参数，形成新的参数特征集；
d. 分类器集成
d.1 将支持向量机、随机森林、决策树三个分类器采用装袋方法组成集成分类器；
d.2 将中的特征数据按条输入到组建的集成分类器中，通过三个不同分类器的共同作用，给出每条数据的所属情感类别LA/HA，LV/HV。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910287892.0A CN110025322A (zh) | 2019-04-11 | 2019-04-11 | 基于滤波与集成分类器的多模态生理信号情感分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910287892.0A CN110025322A (zh) | 2019-04-11 | 2019-04-11 | 基于滤波与集成分类器的多模态生理信号情感分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110025322A true CN110025322A (zh) | 2019-07-19 |
Family
ID=67238043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910287892.0A Pending CN110025322A (zh) | 2019-04-11 | 2019-04-11 | 基于滤波与集成分类器的多模态生理信号情感分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110025322A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723867A (zh) * | 2020-06-22 | 2020-09-29 | 山东大学 | 一种网络游戏迷恋度智能评估系统及方法 |
| 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 |
| CN111738309A (zh) * | 2020-06-03 | 2020-10-02 | 哈尔滨工业大学 | 多尺度分析和集成学习的气敏传感器故障模式识别方法 |
| CN113208593A (zh) * | 2021-04-08 | 2021-08-06 | 杭州电子科技大学 | 基于相关性动态融合的多模态生理信号情绪分类方法 |
| CN113855019A (zh) * | 2021-08-25 | 2021-12-31 | 杭州回车电子科技有限公司 | 基于eog、emg以及压电信号的表情识别方法和装置 |
| CN114129163A (zh) * | 2021-10-22 | 2022-03-04 | 中央财经大学 | 基于脑电信号的多视图深度学习的情绪分析方法和系统 |
| CN116211322A (zh) * | 2023-03-31 | 2023-06-06 | 上海外国语大学 | 一种基于机器学习脑电信号的抑郁症识别方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009063463A2 (en) * | 2007-11-14 | 2009-05-22 | Medasense Biometrics Ltd | Pain monitoring using multidimensional analysis of physiological signals |
| CN109199414A (zh) * | 2018-10-30 | 2019-01-15 | 武汉理工大学 | 一种基于脑电信号的视听诱发情绪识别方法及系统 |
| CN109508651A (zh) * | 2018-10-24 | 2019-03-22 | 辽宁师范大学 | 基于卷积神经网络的脑电情感分类方法 |
-
2019
- 2019-04-11 CN CN201910287892.0A patent/CN110025322A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009063463A2 (en) * | 2007-11-14 | 2009-05-22 | Medasense Biometrics Ltd | Pain monitoring using multidimensional analysis of physiological signals |
| CN109508651A (zh) * | 2018-10-24 | 2019-03-22 | 辽宁师范大学 | 基于卷积神经网络的脑电情感分类方法 |
| CN109199414A (zh) * | 2018-10-30 | 2019-01-15 | 武汉理工大学 | 一种基于脑电信号的视听诱发情绪识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| GYANENDRA K. VERMA等: "Multimodal fusion framework: A multiresolution approach for emotion classification and recognition from physiological signals", 《NEUROIMAGE》 * |
| RAJA MAJID MEHMOOD等: "Optimal feature selection and deep learning ensembles method for emotion recognition from human brain EEG sensors", 《IEEE ACCESS》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738309A (zh) * | 2020-06-03 | 2020-10-02 | 哈尔滨工业大学 | 多尺度分析和集成学习的气敏传感器故障模式识别方法 |
| CN111723867A (zh) * | 2020-06-22 | 2020-09-29 | 山东大学 | 一种网络游戏迷恋度智能评估系统及方法 |
| 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 |
| CN113208593A (zh) * | 2021-04-08 | 2021-08-06 | 杭州电子科技大学 | 基于相关性动态融合的多模态生理信号情绪分类方法 |
| CN113855019A (zh) * | 2021-08-25 | 2021-12-31 | 杭州回车电子科技有限公司 | 基于eog、emg以及压电信号的表情识别方法和装置 |
| CN113855019B (zh) * | 2021-08-25 | 2023-12-29 | 杭州回车电子科技有限公司 | 基于eog、emg以及压电信号的表情识别方法和装置 |
| CN114129163A (zh) * | 2021-10-22 | 2022-03-04 | 中央财经大学 | 基于脑电信号的多视图深度学习的情绪分析方法和系统 |
| CN114129163B (zh) * | 2021-10-22 | 2023-08-29 | 中央财经大学 | 基于脑电信号的多视图深度学习的情绪分析方法和系统 |
| CN116211322A (zh) * | 2023-03-31 | 2023-06-06 | 上海外国语大学 | 一种基于机器学习脑电信号的抑郁症识别方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110025322A (zh) | 基于滤波与集成分类器的多模态生理信号情感分类方法 | |
| CN107157477B (zh) | 脑电信号特征识别系统及方法 | |
| 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 | |
| Liu et al. | Electroencephalogram emotion recognition based on empirical mode decomposition and optimal feature selection | |
| CN103412646B (zh) | 基于脑机交互的音乐情绪化推荐方法 | |
| Ranjan et al. | A fuzzy neural network approach for automatic K-complex detection in sleep EEG signal | |
| Aboalayon et al. | Efficient sleep stage classification based on EEG signals | |
| CN106709469B (zh) | 基于脑电和肌电多特征的自动睡眠分期方法 | |
| CN103584872B (zh) | 一种基于多生理参数融合的心理压力评估方法 | |
| Patil et al. | Feature extraction of EEG for emotion recognition using Hjorth features and higher order crossings | |
| CN113723557B (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类系统 | |
| Mahmud et al. | Sleep apnea detection from variational mode decomposed EEG signal using a hybrid CNN-BiLSTM | |
| CN106919956A (zh) | 基于随机森林的脑电波年龄预测系统 | |
| CN110135285B (zh) | 一种使用单导设备的脑电静息态身份认证方法及装置 | |
| CN111956219A (zh) | 基于脑电信号的情绪特征识别方法、识别及调节系统 | |
| Murugappan | Electromyogram signal based human emotion classification using KNN and LDA | |
| Javidan et al. | Feature and channel selection for designing a regression-based continuous-variable emotion recognition system with two EEG channels | |
| CN109871831B (zh) | 一种情感识别方法及系统 | |
| CN108280414A (zh) | 一种基于能量特征的运动想象脑电信号的识别方法 | |
| CN111387975B (zh) | 基于机器学习的脑电信号识别方法 | |
| Chen et al. | An EEG-based brain-computer interface for automatic sleep stage classification | |
| Zhang et al. | Classification of EEG signal by WT-CNN model in emotion recognition system | |
| Pane et al. | Identifying rules for electroencephalograph (EEG) emotion recognition and classification | |
| CN118094317A (zh) | 一种基于TimesNet和卷积神经网络的运动想象脑电信号分类系统 | |
| CN104035563A (zh) | 基于w-pca和无监督ghsom的脑电信号识别方法 |
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: 20190719 |