CN110781945A - 一种融合多种特征的脑电信号情感识别方法及系统 - Google Patents

一种融合多种特征的脑电信号情感识别方法及系统 Download PDF

Info

Publication number
CN110781945A
CN110781945A CN201911004546.3A CN201911004546A CN110781945A CN 110781945 A CN110781945 A CN 110781945A CN 201911004546 A CN201911004546 A CN 201911004546A CN 110781945 A CN110781945 A CN 110781945A
Authority
CN
China
Prior art keywords
electroencephalogram signal
nonlinear
electroencephalogram
preprocessed
signal data
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
CN201911004546.3A
Other languages
English (en)
Inventor
张雪英
杨婷
李娟�
孙颖
李凤莲
黄丽霞
陈桂军
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan University 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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201911004546.3A priority Critical patent/CN110781945A/zh
Publication of CN110781945A publication Critical patent/CN110781945A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开一种融合多种特征的脑电信号情感识别方法及系统，涉及脑电信号情感识别技术领域，主要包括获取情感诱发的原始脑电信号数据并预处理；对预处理后的脑电信号数据进行非线性特征和脑认知特征提取；采用典型相关分析算法将预处理后的脑电信号数据的非线性特征和脑认知特征进行融合，得到融合后的脑电特征信号；采用压缩感知算法对融合后的脑电特征信号进行情感识别。本发明能够构造最完备、最具鉴别能力的特征参数，提高脑电信号的情感识别效果，同时克服传统识别模型训练复杂度高且抗噪性能不佳的缺陷。

Description

一种融合多种特征的脑电信号情感识别方法及系统
技术领域
本发明涉及脑电信号情感识别技术领域，特别是涉及一种融合多种特征的脑电信号情感识别方法及系统。
背景技术
脑电信号是目前应用较多、技术发展较为成熟的一种信号，脑电信号中含有丰富的情感信息，且其作为生理信号的一种，具有不受人类主观意志影响，更具真实性的特点。
目前非线性动力学的发展逐渐成熟，大脑作为一个非线性动力学系统的观点也获得了越来越多研究者的认可，脑电信号作为典型的非平稳信号，具有非线性特性，众多学者对脑电信号的非线性特征进行了研究，证明了采用非线性特征对脑电情感识别的可行性。Morteza等人基于信号复杂度确定时间窗口，然后提取脑电信号的相关维数和分形维数，采用遗传算法对两个维度上的情绪进行分类，取得的92.57％的识别结果；孙颖等采用多种熵特征融合非线性几何特征对脑电信号的4种情感进行识别，取得了较传统特征更好的分类效果。非线性特征虽然较符合大脑的非线性特性，但这些特征都是基于信号处理的方法获得的，为更深入、真实、全面的反映大脑中的情感信息，提取并结合脑认知的相关特征进行分析是很有必要的。
当特定感觉器官接受不同情感刺激后，会通过神经系统传递到大脑的特定部位，并将生物电形式表征的信息传递到大脑皮层，ERP信号反映的是外加刺激后，在脑区引起的电位变化，这种变化是人类身体或心理与时间相关的脑活动。众多研究表明，ERP信号可以敏感地反映出情绪活动在脑内的活动过程。Frantzidis等人用ERP信号组件和事件相关振荡对情绪的高低效价度和唤醒度进行分类，达到81.3％的准确度；N.G.Mathieu等人对不同唤醒度情感诱发的单试次ERP信号提取P1，N2，P3和LPP成分的平均幅值作为特征，并输入线性判别分类器中进行识别，取得了87％的识别率。
若将情感识别应用日常生活中，必须保证其识别的实时性，且脑电信号在采集过程中不可避免的会受到噪声的干扰，因此寻找低训练复杂度、高鲁棒性的识别网络是对脑电信号进行有效情感分类的关键。目前常见的识别模型有稀疏分类(SRC)、BP神经网络和支持向量机(SVM)等，稀疏分类(SRC)虽具有一定的去噪能力，但其对原始信号识别训练复杂度较高；BP神经网络和支持向量机(SVM)的识别方法，同样也存在训练复杂度高且去噪性能不佳。
压缩感知(CS)作为近年发展起来的一种信号处理方法，可以通过远小于信号的数据量无失真地恢复原始信号，且其稀疏表示具有良好的鲁棒性。段沛沛提出的基于压缩感知(CS)理论对雷达目标识别，证明了基于压缩感知(CS)的识别模型识别率高且具有较强的抗噪能力；Banitalebi等基于压缩感知(CS)理论对人脸进行识别，实现了高识别精度和低计算复杂度。目前基于压缩感知(CS)的识别模型多用于图像及人的行为动作，而对脑电情感识别的研究相对较少，且大多数对压缩感知(CS)进行分类的研究都是对重构后的原始信号进行分类，而忽视了压缩感知(CS)理论中的压缩采样部分。
综上，在脑电信号情感识别中，存在识别特征单一，特征包含信息不全面等缺陷，且还存在传统识别模型训练复杂度高且抗噪性能不佳等问题。
发明内容
为了克服背景技术存在的缺陷，本发明提供了一种融合多种特征的脑电信号情感识别方法及系统。
为实现上述目的，本发明提供了如下方案：
一种融合多种特征的脑电信号情感识别方法，包括：
获取情感诱发的原始脑电信号数据；所述原始脑电信号数据包括多条脑电信号序列，且不同的所述脑电信号序列是通过不同的脑中央区通道采集的；所有的所述脑电信号序列均为一维脑电信号序列；
对所述原始脑电信号数据进行预处理；
对预处理后的脑电信号数据进行非线性几何特征和非线性属性特征提取以获取所述预处理后的脑电信号数据的非线性特征；
对所述预处理后的脑电信号数据进行单试次ERP成分特征提取以获取所述预处理后的脑电信号数据的脑认知特征；
采用典型相关分析算法将所述预处理后的脑电信号数据的非线性特征和脑认知特征进行融合，得到融合后的脑电特征信号；
采用压缩感知算法对所述融合后的脑电特征信号进行情感识别。
可选的，对所述原始脑电信号数据进行预处理，具体包括：
对所述原始脑电信号数据依次进行定位电极、剔除无用电极、重参考、滤波、分段、基线校正、剔除坏段以及伪迹去除处理。
可选的，所述对预处理后的脑电信号数据进行非线性几何特征和非线性属性特征提取以获取所述预处理后的脑电信号数据的非线性特征，具体包括：
采用嵌入定理对预处理后的脑电信号数据的时间序列进行处理，构建相空间矢量模型；
按脑电信号的每个通道为单位，根据所述相空间矢量模型，对每条预处理后的脑电信号序列进行三维相空间重构，得到多个三维样本空间；所述三维样本空间的个数与所述预处理后的脑电信号序列的条数相同；所述三维样本空间的行向量代表单个吸引子在相空间重构中的位置信息，所述三维样本空间的列向量代表单个吸引子在相空间重构中的运动轨迹；
通过分析所述吸引子的运动轨迹，提取每个所述三维样本空间的描述符轮廓特征；所述描述符轮廓特征包括吸引子到圆心的距离、吸引子到标识线的距离以及吸引子连续轨迹总长度，且所述描述符轮廓特征为非线性几何特征；
按脑电信号的每个通道为单位，对每条所述预处理后的脑电信号序列均进行非线性属性特征提取，得到多组非线性属性特征；所述非线性属性特征的组数与所述预处理后的脑电信号序列的条数相同；所述非线性属性特征包括近似熵、Hurst指数、最大Lyapunov指数以及功率谱熵；
将所有所述预处理后的脑电信号序列的非线性几何特征和非线性属性特征进行串行融合，得到所述预处理后的脑电信号数据的非线性特征。
可选的，所述对所述预处理后的脑电信号数据进行单试次ERP成分特征提取以获取所述预处理后的脑电信号数据的脑认知特征，具体包括：
按脑电信号的每个通道为单位，提取每一维预处理后的脑电信号序列的N100、P200、N300及LPC的ERP成分特征的峰值、潜伏期和平均波幅，将所有通道提取的ERP成分特征进行串行融合，得到所述预处理后的脑电信号数据的脑认知特征。
可选的，所述采用典型相关分析算法将所述预处理后的脑电信号数据的非线性特征和脑认知特征进行融合，得到融合后的脑电特征信号，具体包括：
采用主成分分析算法对所述预处理后的脑电信号数据的非线性特征和脑认知特征分别进行降维处理；
采用典型相关分析算法对所有降维后的非线性特征和脑认知特征进行融合，得到融合后的脑电特征信号。
可选的，所述采用压缩感知算法对所述融合后的脑电特征信号进行情感识别，具体包括：
对所述融合后的脑电特征信号进行压缩处理，得到观测信号；所述观测信号为压缩后的所述融合后的脑电特征信号；
将所述观测信号作为分类信号，对所述观测信号进行稀疏分类；
采用变步长自适应匹配追踪算法对稀疏分类后的观测信号进行处理，重构稀疏分类后的观测信号的估值；所述估值的个数与稀疏分类的类别数相同；
根据观测信号以及所述观测信号对应的估值，对原始脑电信号数据进行情感识别。
一种融合多种特征的脑电信号情感识别系统，包括：
获取模块，用于获取情感诱发的原始脑电信号数据；所述原始脑电信号数据包括多条脑电信号序列，且不同的所述脑电信号序列是通过不同的脑中央区通道采集的；所有的所述脑电信号序列均为一维脑电信号序列；
预处理模块，用于对所述原始脑电信号数据进行预处理；
非线性特征提取模块，用于对预处理后的脑电信号数据进行非线性几何特征和非线性属性特征提取以获取所述预处理后的脑电信号数据的非线性特征；
脑认知特征提取模块，用于对所述预处理后的脑电信号数据进行单试次ERP成分特征提取以获取所述预处理后的脑电信号数据的脑认知特征；
融合模块，用于采用典型相关分析算法将所述预处理后的脑电信号数据的非线性特征和脑认知特征进行融合，得到融合后的脑电特征信号；
识别模块，用于采用压缩感知算法对所述融合后的脑电特征信号进行情感识别。
可选的，所述非线性特征提取模块，具体包括：
相空间矢量模型构建单元，用于采用嵌入定理对预处理后的脑电信号数据的时间序列进行处理，构建相空间矢量模型；
三维样本空间构建单元，用于按脑电信号的每个通道为单位，根据所述相空间矢量模型，对每条预处理后的脑电信号序列进行三维相空间重构，得到多个三维样本空间；所述三维样本空间的个数与所述预处理后的脑电信号序列的条数相同；所述三维样本空间的行向量代表单个吸引子在相空间重构中的位置信息，所述三维样本空间的列向量代表单个吸引子在相空间重构中的运动轨迹；
描述符轮廓特征提取单元，用于通过分析所述吸引子的运动轨迹，提取每个所述三维样本空间的描述符轮廓特征；所述描述符轮廓特征包括吸引子到圆心的距离、吸引子到标识线的距离以及吸引子连续轨迹总长度，且所述描述符轮廓特征为非线性几何特征；
非线性属性特征提取单元，用于按脑电信号的每个通道为单位，对每条所述预处理后的脑电信号序列均进行非线性属性特征提取，得到多组非线性属性特征；所述非线性属性特征的组数与所述预处理后的脑电信号序列的条数相同；所述非线性属性特征包括近似熵、Hurst指数、最大Lyapunov指数以及功率谱熵；
串行融合单元，用于将所有所述预处理后的脑电信号序列的非线性几何特征和非线性属性特征进行串行融合，得到所述预处理后的脑电信号数据的非线性特征。
可选的，所述脑认知特征提取模块，具体包括：
脑认知特征提取单元，用于按脑电信号的每个通道为单位，提取每一维预处理后的脑电信号序列的N100、P200、N300及LPC的ERP成分的峰值、潜伏期和平均波幅，将所有通道提取的ERP成分特征进行串行融合，得到所述预处理后的脑电信号数据的脑认知特征。
可选的，所述融合模块，具体包括：
降维单元，用于采用主成分分析算法对所述预处理后的脑电信号数据的非线性特征和脑认知特征分别进行降维处理；
融合单元，用于采用典型相关分析算法对所有降维后的非线性特征和脑认知特征进行融合，得到融合后的脑电特征信号。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
(1)本发明将脑电信号的非线性特征和基于脑认知提取的ERP成分特征结合，构造了更完备的脑电情感特征参数，有利于脑电情感的准确识别。
(2)本发明典型相关分析(CCA)特征融合方法结合压缩感知方法识别情感脑电信号，克服传统识别模型训练复杂度高且抗噪性能不佳的缺陷，同时提高脑电信号的情感识别效果。压缩感知理论中，信号的压缩有效降低了算法的训练复杂度，信号重构时将低于设定阈值的稀疏系数(按噪声处理)归零，有效提高了算法的抗噪性能，信号的重构主要是基于样本间的相关性，稀疏系数中非零元素对应的列向量即为字典中与测试样本最相关的向量，而典型相关分析(CCA)特征融合方法能最大限度提升样本的类内相关性，减弱样本的类间相关性，由此，提高了信号的重构准确度，改善了情感识别效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例融合多种特征的脑电信号情感识别方法的流程示意图；
图2为本发明实施例原始脑电信号数据预处理流程图；
图3为本发明实施例预处理前后脑电信号对比图；图3(a)预处理前脑电信号图，图3(b)预处理后脑电信号图；
图4为本发明实施例一条预处理后的脑电信号的三维相空间重构图；
图5为本发明实施例融合多种特征的脑电信号情感识别系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明为了解决脑电信号情感识别中，识别特征单一，特征包含信息不全面的问题，提出将脑电信号的非线性特征与脑认知特征结合的脑电信号情感识别方法及系统，同时针对传统识别模型训练复杂度高且抗噪性能不佳的缺陷，采用压缩感知算法对脑电信号提取的特征参数进行情感识别。本发明旨在构造最完备、最具鉴别能力的特征参数，同时提高脑电信号的情感识别效果。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
(1)脑电信号：脑电(Electroencephalograph，EEG)是记录人类大脑活动的电信号，脑电信号一般由头皮表面记录得到，它通过记录脑细胞活动变化情况来揭示人类的心理活动。
(2)单试次ERP信号：ERP即事件相关电位(Event-Related Potentials，ERP/ERPs)，是某种特定刺激所诱发出的脑电信号，其获得方式通常需要将多个相同事件的EEG信号进行叠加，单试次ERP信号则指在某个事件下诱发的未经过叠加的EEG信号，单试次ERP信号能保证不会在叠加过程中丢失有用信息。
(3)非线性特征：非线性与线性是两个对立的概念；线性分析，指量与量之间按比例、成直线的关系，在空间和时间上代表规则和光滑的运动；非线性则指不按比例、不成直线的关系，代表不规则的运动和突变。大脑是一个非线性系统，即系统的输出与输入不成正比，采用非线性的分析方法能更真实的反映脑电信号的特性。目前常用的非线性特征有属性特征(例如近似熵、利亚普诺夫(Lyapunov)指数等)和几何特征。
(4)脑认知特征：脑认知通常是将大脑对信息加工的整个过程分解成各个阶段进行逐步研究，脑认知特征则是借助数学统计分析方法来研究各个心理认知阶段所观察到的统计现象。
(5)CCA融合：CCA即为典型相关分析，是一种反映两组变量间相关关系的统计分析方法，其核心思想是找到两组投影方向，使被融合的两组特征分别在这两个方向上投影之后，实现相关最大化，新的特征矢量则是依据这两组投影方向融合而成。
(6)压缩感知：压缩感知是一种寻找欠定线性系统的稀疏解的技术，该理论指出，当信号在某个变换域下是稀疏的，则它可以在采集信号的过程中对信号进行压缩，相比奈奎斯特采样方法，它可以用更少的采样值或是测量值来恢复信号，同时还可以对数据进行编码、抗噪、特征提取及识别等处理。
(7)稀疏表示：稀疏表示即在给定的冗余字典下，用尽可能少的原子来表示信号，以获得信号更为简洁的表示方式，方便进一步对信号进行压缩、编码等。
(8)变步长自适应匹配追踪(VssAMP)算法：VssAMP算法是针对传统SAMP重构算法因步长固定，易导致欠匹配和过匹配的问题改进的。根据贪婪迭代算法中，相邻2次迭代的残差逐步减小的原理，设定两个阈值T1和阈值T2，当残差r≥T2时信号迭代步长的增加量为s，当残差T2≥r≥T1时信号迭代步长的增加量为s/2。这样既能提高重构速度，又能保证重构精度。
如图1所示，本实施例提供的融合多种特征的脑电信号情感识别方法，具体包括以下几个步骤。
步骤101：获取情感诱发的原始脑电信号数据。所述原始脑电信号数据包括多条脑电信号序列，且不同的所述脑电信号序列是通过不同的脑中央区通道采集的；所有的所述脑电信号序列均为一维脑电信号序列。
本实施例的实验数据为太原理工大学音视频实验中心自行采集的由TYUT2.0情感语音库中的语音诱发的脑电信号数据，采样频率为1000Hz，共包括“悲伤”、“生气”、“高兴”、“惊奇”、“中性”五种情感，每种情感包含50个样本，共计250条样本数据。
步骤102：对所述原始脑电信号数据进行预处理。
脑电信号数据的采集无论对被试还是实验环境都有严格的要求，因为细微的影响就会导致脑电信号的非正常波动，因此，实验中首先对脑电信号数据进行预处理，预处理的主要流程如图2所示，依次进行定位电极、剔除无用电极、重参考、滤波、分段、基线校正、剔除坏段以及伪迹去除处理(ICA去眼电)。
本实验的预处理过程全部通过MATLAB中的eeglab工具箱进行，在预处理步骤中，首先在eeglab工具箱中导入原始脑电信号数据；通过读取原始脑电信号数据中自带的通道的位置文件，进行电极定位；在数据选择时，剔除无用的电极，只选取自己需要的电极；在重参考中，设置鼻尖处的电极点作为参考电极，对上述选取的自己需要的电极的脑电信号数据进行重参考；滤波处理采用0.05-30Hz的带通滤波；分段处理采取刺激开始前后的-200-1000ms进行分段；以-200ms-0ms作为基线校正段对上述分段后的脑电信号数据进行基线校正；通过对上述分段后的全部脑电信号数据进行浏览，手动剔除明显的坏段；对剔除坏段后的全部脑电信号数据进行独立成分分析(ICA)，通过主观判断，剔除眼电信号的成分，最终得到预处理后的脑电信号数据。
本实施例选取12个脑中央区通道(FC1、FC3、FC2、FC4、C1、C3、C2、C4、CP1、CP3、CP2、CP4)作为实验研究对象，预处理后脑电信号数据的维度为250*12*1000。图3为原始脑电信号数据和预处理后的脑电信号数据在一条语音刺激下的对比。为方便对比观察，图3(a)中对原始脑电信号进行了分段，但未做滤波和去伪迹的处理。对比图3(a)和图3(b)可以看出，预处理后的脑电信号数据更平滑。
步骤103：对预处理后的脑电信号数据进行非线性几何特征和非线性属性特征提取以获取所述预处理后的脑电信号数据的非线性特征。
脑电信号的情感特征主要分为两种类型，一类是基于信号处理方法，即针对脑电信号的非线性提取的非线性几何特征和非线性属性特征。具体特征及其计算方法如下：
非线性几何特征
非线性几何特征是依托相空间重构提出的，本发明采用Taken提出的嵌入定理对预处理后的脑电信号数据的时间序列X＝[x1；x2；…xI]构建相空间矢量模型，行向量(吸引子)xi表示为：xi＝(xi,xi+τ…,xi+(m-1)τ)，i＝1,2,…,I(1)；
其中，I表示吸引子的数目，τ表示延迟时间，m表示嵌入维数，本发明中，设τ＝4,m＝3。
通过对吸引子的分析，提取脑电信号的非线性几何特征。以单条语音诱发的单通道脑电信号序列为单位进行特征的提取，由公式(1)的矢量模型对每条预处理后的脑电信号序列X进行三维相空间重构，得到相空间重构矩阵，如下式所示：
Figure BDA0002242331990000101
式(2)中，行向量代表单个吸引子在相空间重构中的位置信息，列向量代表单个吸引子在相空间重构中的运动轨迹。
以一条预处理后的脑电信号为例，将一维预处理后的情感脑电信号扩展到三维空间中，其三维相空间重构图如图4所示。
在此三维样本空间中，通过分析吸引子的运动轨迹，提取三种描述符轮廓特征，即非线性几何特征。
(1)第一描述符轮廓：吸引子到圆心的距离
Figure BDA0002242331990000111
其中ai表示第i个吸引子到圆心的距离，τi表示第i个吸引子的延迟时间，τi＝τ＝4。
(2)第二描述符轮廓：吸引子到标识线的距离
Figure BDA0002242331990000113
其中di表示第i吸引子到标识线的距离。
(3)第三描述符轮廓：吸引子连续轨迹总长度S；其中
Figure BDA0002242331990000115
非线性属性特征
(1)近似熵
近似熵是测量时间序列复杂度和规律性的一种分析方法，近似熵(ApEn)的计算过程如下：
步骤一：将N点脑电时间序列{u(j)}通过组合得到w维矢量V(j)；
V(j)＝{u(j),u(j+1),…,u(j+w-1)},j＝1～N-w+1 (6)；
步骤二：计算矢量V(j)和V(z)(j＝0,1,2,…,N-w+1,j≠z)的距离，如下式(7)所示表示为djz；
djz＝max|u(j+k)-u(z+k)|,k＝0,1,L,w-1 (7)；
步骤三：对每个j值计算满足djz＜γ(γ代表阈值且γ＞0)的个数M，并通过(8)计算
Figure BDA0002242331990000117
是作为反映w维模式接近概率的参数。
Figure BDA0002242331990000118
步骤四：将
Figure BDA0002242331990000119
取自然对数，然后对所有的j求平均值记为Φw(γ)，用来表示矢量之间的接近程度。
步骤五：再对w+1维矢量，重复步骤一到四，求得
Figure BDA0002242331990000122
和Φw+1(γ)；
步骤六：近似熵定义如下：
Figure BDA0002242331990000123
本发明中，w＝2,γ＝0.15SD(SD为一维脑电信号序列的标准差)，由于在实际工作中N的值不可能取到∞，因此，本发明将N的值设定为一维脑电信号序列的长度，即N＝1000。
(2)赫斯特(Hurst)指数
Hurst指数是衡量时间序列相关性的指标，本实施例的时间序列是指一维脑电信号1000个采样点组成的时间序列。本发明采用基于R/S(Rescaled Range Analysis)的分析方法求解Hurst指数，其计算公式如下：
lgR(j)/S(j)＝HlgJ+C 1≤j≤N (11)；
其中R(j)和S(j)分别为一维脑电信号时间序列的极差和标准差，C为常数，N为一维脑电信号时间序列的采样点数，N＝1000，H即为Hurst指数。
(3)最大利亚普诺夫(Lyapunov)指数
Lyapunov指数的大小反映的是相空间中相邻轨道的局部收敛或发散的快慢，将一维脑电信号序列映射到三维相空间中，最大Lyapunov指数的计算如式(12)所示：lndj(z)＝μt+lndj(0)(j,z＝1,2,...N)(12)；
其中，dj(z)表示基本轨道上第j对临近点在经过第z个离散时间步长后的距离，N为一维脑电信号时间序列的采样点数，N＝1000，采用最小二乘法逼近这条直线，斜率μ即为一维脑电信号的最大Lyapunov指数。
(4)功率谱熵
功率谱熵是衡量时间序列中出现新信息的概率，它是一种频域信息熵。功率谱熵的计算公式如下：
步骤一：将一维脑电时域信号通过FFT变换得到频域信号W(ωq)，计算其功率谱密度如下(13)式所示，q表示频率点，q＝1,2,LQ,Q≥1。
Figure BDA0002242331990000131
步骤二：对功率谱密度进行归一化处理：
Figure BDA0002242331990000133
步骤三：计算功率谱熵：
Figure BDA0002242331990000134
Hω即为一维脑电信号的功率谱熵。
以上特征提取均以单通道脑电信号序列为单位进行特征提取，最后将12通道脑电信号的特征进行串行融合，融合后各特征维度如表1所示。
表1情感脑电信号的非线性特征
Figure BDA0002242331990000135
Figure BDA0002242331990000141
步骤104：对所述预处理后的脑电信号数据进行单试次ERP成分特征提取以获取所述预处理后的脑电信号数据的脑认知特征。
另一类是基于脑认知的角度，将大脑在受到刺激后，信息加工的整个过程分解成多个阶段，并采用数学统计分析方法来研究各个心理认知阶段所观察到的统计现象。本发明采用的脑认知特征主要是单试次的ERP成分特征，即选取每一维脑电信号序列的N100、P200、N300及LPC(late positive component晚正成分)四种的ERP成分的峰值、潜伏期和平均波幅作为特征，以上成分包含的时间范围分别是90-170ms、180-280ms、300-400ms、550-650ms。时间段的选取原则是：1、有明显ERP成分；2、对不同情感幅值有显著差异。
各特征维度如表2所示：
表2情感脑电信号的脑认知特征
Figure BDA0002242331990000142
步骤105：采用典型相关分析算法将所述预处理后的脑电信号数据的非线性特征和脑认知特征进行融合，得到融合后的脑电特征信号。
由于特征提取是按脑电信号的每个通道为单位，最后将所有通道提取的特征进行拼接构成总特征向量，通道之间较强的相似性会造成特征的冗余，因此，本发明首先对提取的非线性特征和脑认知特征分别进行主成分分析(PCA)降维，保留99％以上的主要成分作为新的特征。另外，为提高特征的鉴别能力，增大同类样本的类内相关性，采用CCA的方法融合脑电信号的非线性特征和脑认知特征，具体融合步骤如下：
G和Y分别为经过PCA降维后脑电信号的非线性特征和脑认知特征，CCA的目的就是求取投影方向p和b，使得G*＝pTG和Y*＝bTY之间的相关系数Corr(G*,Y*)最大。
Figure BDA0002242331990000151
其中，Corr(G*,Y*)称为融合的准则函数，SGG和SYY分别表示G与Y的协方差矩阵，SXY表示X与Y之间的协方差矩阵。CCA要求输入样本空间的均值为0，因此上述两组特征矢量G与Y已经经过中心化处理。
为使融合的准则函数的优化问题有唯一解，令pTSGGp＝bTSYYb＝1，则该准则函数简化为：Corr(G*,Y*)＝pTSGYb(17)。
当Corr(G*,Y*)取得极值时，对应的p和b。即为所求的两组投影方向。
CCA本质是一种优化问题，通常的求解方法是：引入拉格朗日因子λ，构建目标函数Γ，目标函数Γ为Γ＝pTSGYb+λ(pTSGGp-1)+λ(bTSYYb-1)(18)。
对公式(18)分别计算投影矢量p和b的偏导数，得到以下两组特征方程：
Figure BDA0002242331990000152
由公式(19)求解出投影矢量p和b，最终由CCA融合后的新特征为：
Figure BDA0002242331990000153
步骤106：采用压缩感知算法对所述融合后的脑电特征信号进行情感识别。
本发明采用压缩感知对经过CCA融合后的脑电特征信号进行情感识别，识别主要经过两个步骤：信号的压缩、信号的重构与信号的识别。
(1)信号的压缩：
对于任意一个L×1维的脑电特征信号D，稀疏字典
Figure BDA0002242331990000155
是由全部情感类别的训练样本组成的冗余字典(为情感类别，S为训练样本的个数)，采用与稀疏字典Ψ不相关的高斯随机矩阵Φ∈RF×L(F＜＜L)对信号D进行观测，观测信号为：K＝ΦD＝ΦΨ-1θ＝ACSθ(21)。
其中ACS＝ΦΨ-1称为CS的信息算子，也可以看做是对应观测信号K的冗余字典，
Figure BDA0002242331990000167
Figure BDA0002242331990000168
为第
Figure BDA0002242331990000166
类样本的稀疏系数，观测信号K为F×1维，信号的压缩比R为：R＝F/L(22)。
(2)信号的重构
在对信号进行重构时，实际上就是由稀疏系数θ求解观测信号K的过程，根据稀疏系数θ的稀疏性，首先将稀疏系数θ的求解转化为l0范数的优化问题，即只要求出θ中的非零系数即可，求解方法如公式(23)所示，重构算法选择变步长自适应匹配追踪(VssAMP)算法。
min||θ||0 (23)；
Figure BDA0002242331990000161
再跟据公式(24)就可以估计出重构后的信号
Figure BDA0002242331990000162
本申请中提出的基于CS的识别网络采用压缩后的信号进行分类，因此在信号重构时，根据式(24)重构出观测信号
Figure BDA0002242331990000169
即可，不需要对原信号D进行重构。
(3)信号的识别
基于CS对信号进行识别时，是将压缩后的信号Y作为需要分类的信号，然后对其进行稀疏分类，压缩后的信号在冗余字典ACS下稀疏表示为：θ＝ΨD＝ACS -1K(25)；根据公式(24)，
Figure BDA0002242331990000163
Figure BDA0002242331990000164
即为在第
Figure BDA00022423319900001610
类样本下重构出的观测信号。若公式(26)的结果小于任意ε，那么信号K就为第
Figure BDA00022423319900001611
类数据。
Figure BDA0002242331990000165
本发明将多维数据压缩，并采用压缩后的数据对信号进行识别，有效降低了算法的训练复杂度。
图5为本发明实施例融合多种特征的脑电信号情感识别系统的结构示意图。如图5所示，本实施例还提供了一种融合多种特征的脑电信号情感识别系统，包括：
获取模块100，用于获取情感诱发的原始脑电信号数据；所述原始脑电信号数据包括多条脑电信号序列，且不同的所述脑电信号序列是通过不同的脑中央区通道采集的；所有的所述脑电信号序列均为一维脑电信号序列。
预处理模块200，用于对所述原始脑电信号数据进行预处理。
非线性特征提取模块300，用于对预处理后的脑电信号数据进行非线性几何特征和非线性属性特征提取以获取所述预处理后的脑电信号数据的非线性特征。
脑认知特征提取模块400，用于对所述预处理后的脑电信号数据进行单试次ERP成分特征提取以获取所述预处理后的脑电信号数据的脑认知特征。
融合模块500，用于采用典型相关分析算法将所述预处理后的脑电信号数据的非线性特征和脑认知特征进行融合，得到融合后的脑电特征信号。
识别模块600，用于采用压缩感知算法对所述融合后的脑电特征信号进行情感识别。
其中，所述非线性特征提取模块300，具体包括：
相空间矢量模型构建单元，用于采用嵌入定理对预处理后的脑电信号数据的时间序列进行处理，构建相空间矢量模型。
三维样本空间构建单元，用于按脑电信号的每个通道为单位，根据所述相空间矢量模型，对每条预处理后的脑电信号序列进行三维相空间重构，得到多个三维样本空间；所述三维样本空间的个数与所述预处理后的脑电信号序列的条数相同；所述三维样本空间的行向量代表单个吸引子在相空间重构中的位置信息，所述三维样本空间的列向量代表单个吸引子在相空间重构中的运动轨迹。
描述符轮廓特征提取单元，用于通过分析所述吸引子的运动轨迹，提取每个所述三维样本空间的描述符轮廓特征；所述描述符轮廓特征包括吸引子到圆心的距离、吸引子到标识线的距离以及吸引子连续轨迹总长度，且所述描述符轮廓特征为非线性几何特征。
非线性属性特征提取单元，用于按脑电信号的每个通道为单位，对每条所述预处理后的脑电信号序列均进行非线性属性特征提取，得到多组非线性属性特征；所述非线性属性特征的组数与所述预处理后的脑电信号序列的条数相同；所述非线性属性特征包括近似熵、Hurst指数、最大Lyapunov指数以及功率谱熵。
串行融合单元，用于将所有所述预处理后的脑电信号序列的非线性几何特征和非线性属性特征进行串行融合，得到所述预处理后的脑电信号数据的非线性特征。
所述脑认知特征提取模块400，具体包括：
脑认知特征提取单元，用于按脑电信号的每个通道为单位，提取每一维预处理后的脑电信号序列的N100、P200、N300及LPC的ERP成分的峰值、潜伏期和平均波幅，将所有通道提取的ERP成分特征进行串行融合，得到所述预处理后的脑电信号数据的脑认知特征。
所述融合模块500，具体包括：
降维单元，用于采用主成分分析算法对所述预处理后的脑电信号数据的非线性特征和脑认知特征分别进行降维处理。
融合单元，用于采用典型相关分析算法对所有降维后的非线性特征和脑认知特征进行融合，得到融合后的脑电特征信号。
与现有技术相比，本发明具有以下优点：
(1)本发明结合了脑电信号的非线性特征和脑认知特征，构建了较完备的特征集合，能充分反映脑电信号中的情感信息。
(2)本发明采用压缩感知网络识别情感，采用压缩后的数据进行分类，有效降低了算法的训练复杂度，同时算法的稀疏表示具有良好的鲁棒性。
(3)本发明还可以采用脑电非线性特征结合其他的脑认知特征，例如构建脑网络得出的网络特征、由脑地形图分析得出的特征等。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种融合多种特征的脑电信号情感识别方法，其特征在于，所述脑电信号情感识别方法包括：
获取情感诱发的原始脑电信号数据；所述原始脑电信号数据包括多条脑电信号序列，且不同的所述脑电信号序列是通过不同的脑中央区通道采集的；所有的所述脑电信号序列均为一维脑电信号序列；
对所述原始脑电信号数据进行预处理；
对预处理后的脑电信号数据进行非线性几何特征和非线性属性特征提取以获取所述预处理后的脑电信号数据的非线性特征；
对所述预处理后的脑电信号数据进行单试次ERP成分特征提取以获取所述预处理后的脑电信号数据的脑认知特征；
采用典型相关分析算法将所述预处理后的脑电信号数据的非线性特征和脑认知特征进行融合，得到融合后的脑电特征信号；
采用压缩感知算法对所述融合后的脑电特征信号进行情感识别。
2.根据权利要求1所述的脑电信号情感识别方法，其特征在于，对所述原始脑电信号数据进行预处理，具体包括：
对所述原始脑电信号数据依次进行定位电极、剔除无用电极、重参考、滤波、分段、基线校正、剔除坏段以及伪迹去除处理。
3.根据权利要求1所述的脑电信号情感识别方法，其特征在于，所述对预处理后的脑电信号数据进行非线性几何特征和非线性属性特征提取以获取所述预处理后的脑电信号数据的非线性特征，具体包括：
采用嵌入定理对预处理后的脑电信号数据的时间序列进行处理，构建相空间矢量模型；
按脑电信号的每个通道为单位，根据所述相空间矢量模型，对每条预处理后的脑电信号序列进行三维相空间重构，得到多个三维样本空间；所述三维样本空间的个数与所述预处理后的脑电信号序列的条数相同；所述三维样本空间的行向量代表单个吸引子在相空间重构中的位置信息，所述三维样本空间的列向量代表单个吸引子在相空间重构中的运动轨迹；
通过分析所述吸引子的运动轨迹，提取每个所述三维样本空间的描述符轮廓特征；所述描述符轮廓特征包括吸引子到圆心的距离、吸引子到标识线的距离以及吸引子连续轨迹总长度，且所述描述符轮廓特征为非线性几何特征；
按脑电信号的每个通道为单位，对每条所述预处理后的脑电信号序列均进行非线性属性特征提取，得到多组非线性属性特征；所述非线性属性特征的组数与所述预处理后的脑电信号序列的条数相同；所述非线性属性特征包括近似熵、Hurst指数、最大Lyapunov指数以及功率谱熵；
将所有所述预处理后的脑电信号序列的非线性几何特征和非线性属性特征进行串行融合，得到所述预处理后的脑电信号数据的非线性特征。
4.根据权利要求1所述的脑电信号情感识别方法，其特征在于，所述对所述预处理后的脑电信号数据进行单试次ERP成分特征提取以获取所述预处理后的脑电信号数据的脑认知特征，具体包括：
按脑电信号的每个通道为单位，提取每一维预处理后的脑电信号序列的N100、P200、N300及LPC的ERP成分特征的峰值、潜伏期和平均波幅，将所有通道提取的ERP成分特征进行串行融合，得到所述预处理后的脑电信号数据的脑认知特征。
5.根据权利要求1所述的脑电信号情感识别方法，其特征在于，所述采用典型相关分析算法将所述预处理后的脑电信号数据的非线性特征和脑认知特征进行融合，得到融合后的脑电特征信号，具体包括：
采用主成分分析算法对所述预处理后的脑电信号数据的非线性特征和脑认知特征分别进行降维处理；
采用典型相关分析算法对所有降维后的非线性特征和脑认知特征进行融合，得到融合后的脑电特征信号。
6.根据权利要求1所述的脑电信号情感识别方法，其特征在于，所述采用压缩感知算法对所述融合后的脑电特征信号进行情感识别，具体包括：
对所述融合后的脑电特征信号进行压缩处理，得到观测信号；所述观测信号为压缩后的所述融合后的脑电特征信号；
将所述观测信号作为分类信号，对所述观测信号进行稀疏分类；
采用变步长自适应匹配追踪算法对稀疏分类后的观测信号进行处理，重构稀疏分类后的观测信号的估值；所述估值的个数与稀疏分类的类别数相同；
根据观测信号以及所述观测信号对应的估值，对原始脑电信号数据进行情感识别。
7.一种融合多种特征的脑电信号情感识别系统，其特征在于，所述脑电信号情感识别系统包括：
获取模块，用于获取情感诱发的原始脑电信号数据；所述原始脑电信号数据包括多条脑电信号序列，且不同的所述脑电信号序列是通过不同的脑中央区通道采集的；所有的所述脑电信号序列均为一维脑电信号序列；
预处理模块，用于对所述原始脑电信号数据进行预处理；
非线性特征提取模块，用于对预处理后的脑电信号数据进行非线性几何特征和非线性属性特征提取以获取所述预处理后的脑电信号数据的非线性特征；
脑认知特征提取模块，用于对所述预处理后的脑电信号数据进行单试次ERP成分特征提取以获取所述预处理后的脑电信号数据的脑认知特征；
融合模块，用于采用典型相关分析算法将所述预处理后的脑电信号数据的非线性特征和脑认知特征进行融合，得到融合后的脑电特征信号；
识别模块，用于采用压缩感知算法对所述融合后的脑电特征信号进行情感识别。
8.根据权利要求7所述的脑电信号情感识别系统，其特征在于，所述非线性特征提取模块，具体包括：
相空间矢量模型构建单元，用于采用嵌入定理对预处理后的脑电信号数据的时间序列进行处理，构建相空间矢量模型；
三维样本空间构建单元，用于按脑电信号的每个通道为单位，根据所述相空间矢量模型，对每条预处理后的脑电信号序列进行三维相空间重构，得到多个三维样本空间；所述三维样本空间的个数与所述预处理后的脑电信号序列的条数相同；所述三维样本空间的行向量代表单个吸引子在相空间重构中的位置信息，所述三维样本空间的列向量代表单个吸引子在相空间重构中的运动轨迹；
描述符轮廓特征提取单元，用于通过分析所述吸引子的运动轨迹，提取每个所述三维样本空间的描述符轮廓特征；所述描述符轮廓特征包括吸引子到圆心的距离、吸引子到标识线的距离以及吸引子连续轨迹总长度，且所述描述符轮廓特征为非线性几何特征；
非线性属性特征提取单元，用于按脑电信号的每个通道为单位，对每条所述预处理后的脑电信号序列均进行非线性属性特征提取，得到多组非线性属性特征；所述非线性属性特征的组数与所述预处理后的脑电信号序列的条数相同；所述非线性属性特征包括近似熵、Hurst指数、最大Lyapunov指数以及功率谱熵；
串行融合单元，用于将所有所述预处理后的脑电信号序列的非线性几何特征和非线性属性特征进行串行融合，得到所述预处理后的脑电信号数据的非线性特征。
9.根据权利要求7所述的脑电信号情感识别系统，其特征在于，所述脑认知特征提取模块，具体包括：
脑认知特征提取单元，用于按脑电信号的每个通道为单位，提取每一维预处理后的脑电信号序列的N100、P200、N300及LPC的ERP成分特征的峰值、潜伏期和平均波幅，将所有通道提取的ERP成分特征进行串行融合，得到所述预处理后的脑电信号数据的脑认知特征。
10.根据权利要求7所述的脑电信号情感识别系统，其特征在于，所述融合模块，具体包括：
降维单元，用于采用主成分分析算法对所述预处理后的脑电信号数据的非线性特征和脑认知特征分别进行降维处理；
融合单元，用于采用典型相关分析算法对所有降维后的非线性特征和脑认知特征进行融合，得到融合后的脑电特征信号。
CN201911004546.3A 2019-10-22 2019-10-22 一种融合多种特征的脑电信号情感识别方法及系统 Pending CN110781945A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911004546.3A CN110781945A (zh) 2019-10-22 2019-10-22 一种融合多种特征的脑电信号情感识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911004546.3A CN110781945A (zh) 2019-10-22 2019-10-22 一种融合多种特征的脑电信号情感识别方法及系统

Publications (1)

Publication Number Publication Date
CN110781945A true CN110781945A (zh) 2020-02-11

Family

ID=69386214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911004546.3A Pending CN110781945A (zh) 2019-10-22 2019-10-22 一种融合多种特征的脑电信号情感识别方法及系统

Country Status (1)

Country Link
CN (1) CN110781945A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414835A (zh) * 2020-03-16 2020-07-14 西南大学 一种由恋爱冲动引发的脑电信号的检测判定方法
CN111466909A (zh) * 2020-04-14 2020-07-31 清华大学 基于脑电特征的目标检测方法和系统
CN111681662A (zh) * 2020-06-01 2020-09-18 科大讯飞股份有限公司 车内交互音频加密方法、装置及设备
CN111860463A (zh) * 2020-08-07 2020-10-30 北京师范大学 一种基于联合范数的情感识别方法
CN112070177A (zh) * 2020-09-18 2020-12-11 中国科学院自动化研究所 基于多任务信息提高目标检测泛化能力的脑机接口系统
CN113017648A (zh) * 2021-03-18 2021-06-25 内蒙古工业大学 一种脑电信号识别方法和系统
CN113017628A (zh) * 2021-02-04 2021-06-25 山东师范大学 融合erp成分与非线性特征的意识情绪识别方法及系统
CN113729711A (zh) * 2021-09-30 2021-12-03 深圳航天科技创新研究院 脑电信号分析方法、装置、设备及存储介质
CN113974628A (zh) * 2021-10-29 2022-01-28 杭州电子科技大学 一种基于脑机模态共空间的情绪识别方法
CN113974627A (zh) * 2021-10-26 2022-01-28 杭州电子科技大学 一种基于脑机生成对抗的情绪识别方法
CN113974625A (zh) * 2021-10-18 2022-01-28 杭州电子科技大学 一种基于脑机跨模态迁移的情绪识别方法
CN116491960A (zh) * 2023-06-28 2023-07-28 南昌大学第一附属医院 脑瞬态监测设备、电子设备及存储介质
CN117393153A (zh) * 2023-12-11 2024-01-12 中国人民解放军总医院 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统
CN117436984A (zh) * 2023-10-30 2024-01-23 深圳优钱信息技术有限公司 一种智能ai营销系统
CN117942076A (zh) * 2024-01-18 2024-04-30 好心情健康产业集团有限公司 基于单导脑电信号的心理状态识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109215678A (zh) * 2018-08-01 2019-01-15 太原理工大学 一种基于情感维度下的深度情感交互模型的构建方法
CN109875580A (zh) * 2019-03-01 2019-06-14 安徽工业大学 一种认知效能可计算模型

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109215678A (zh) * 2018-08-01 2019-01-15 太原理工大学 一种基于情感维度下的深度情感交互模型的构建方法
CN109875580A (zh) * 2019-03-01 2019-06-14 安徽工业大学 一种认知效能可计算模型

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨婷: ""基于压缩感知的语音及其脑电信号的情感识别"", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 *
畅江: ""基于EEG和ERP信号分析的情感认知研究"", 《中国优秀博硕士学位论文全文数据库（博士） 信息科技辑》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414835B (zh) * 2020-03-16 2022-04-05 西南大学 一种由恋爱冲动引发的脑电信号的检测判定方法
CN111414835A (zh) * 2020-03-16 2020-07-14 西南大学 一种由恋爱冲动引发的脑电信号的检测判定方法
CN111466909A (zh) * 2020-04-14 2020-07-31 清华大学 基于脑电特征的目标检测方法和系统
CN111681662A (zh) * 2020-06-01 2020-09-18 科大讯飞股份有限公司 车内交互音频加密方法、装置及设备
CN111860463A (zh) * 2020-08-07 2020-10-30 北京师范大学 一种基于联合范数的情感识别方法
CN111860463B (zh) * 2020-08-07 2024-02-02 北京师范大学 一种基于联合范数的情感识别方法
CN112070177A (zh) * 2020-09-18 2020-12-11 中国科学院自动化研究所 基于多任务信息提高目标检测泛化能力的脑机接口系统
CN113017628A (zh) * 2021-02-04 2021-06-25 山东师范大学 融合erp成分与非线性特征的意识情绪识别方法及系统
CN113017628B (zh) * 2021-02-04 2022-06-10 山东师范大学 融合erp成分与非线性特征的意识情绪识别方法及系统
CN113017648A (zh) * 2021-03-18 2021-06-25 内蒙古工业大学 一种脑电信号识别方法和系统
CN113729711B (zh) * 2021-09-30 2023-10-13 深圳航天科技创新研究院 脑电信号分析方法、装置、设备及存储介质
CN113729711A (zh) * 2021-09-30 2021-12-03 深圳航天科技创新研究院 脑电信号分析方法、装置、设备及存储介质
CN113974625A (zh) * 2021-10-18 2022-01-28 杭州电子科技大学 一种基于脑机跨模态迁移的情绪识别方法
CN113974625B (zh) * 2021-10-18 2024-05-03 杭州电子科技大学 一种基于脑机跨模态迁移的情绪识别方法
CN113974627A (zh) * 2021-10-26 2022-01-28 杭州电子科技大学 一种基于脑机生成对抗的情绪识别方法
CN113974628A (zh) * 2021-10-29 2022-01-28 杭州电子科技大学 一种基于脑机模态共空间的情绪识别方法
CN116491960A (zh) * 2023-06-28 2023-07-28 南昌大学第一附属医院 脑瞬态监测设备、电子设备及存储介质
CN116491960B (zh) * 2023-06-28 2023-09-19 南昌大学第一附属医院 脑瞬态监测设备、电子设备及存储介质
CN117436984A (zh) * 2023-10-30 2024-01-23 深圳优钱信息技术有限公司 一种智能ai营销系统
CN117393153A (zh) * 2023-12-11 2024-01-12 中国人民解放军总医院 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统
CN117393153B (zh) * 2023-12-11 2024-03-08 中国人民解放军总医院 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统
CN117942076A (zh) * 2024-01-18 2024-04-30 好心情健康产业集团有限公司 基于单导脑电信号的心理状态识别方法及装置

Similar Documents

Publication Publication Date Title
CN110781945A (zh) 一种融合多种特征的脑电信号情感识别方法及系统
CN112656427B (zh) 一种基于维度模型的脑电信号情绪识别方法
CN111310570B (zh) 一种基于vmd和wpd的脑电信号情感识别方法及系统
Shahnaz et al. Emotion recognition based on wavelet analysis of Empirical Mode Decomposed EEG signals responsive to music videos
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
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
Yang et al. Improved time-frequency features and electrode placement for EEG-based biometric person recognition
CN109602417A (zh) 基于随机森林的睡眠分期方法及系统
CN111523601A (zh) 一种基于知识引导和生成对抗学习的潜在情绪识别方法
Cheng et al. The optimal wavelet basis function selection in feature extraction of motor imagery electroencephalogram based on wavelet packet transformation
CN111310656A (zh) 基于多线性主成分分析的单次运动想象脑电信号识别方法
Upadhyay Classification of eeg signals under different mental tasks using wavelet transform and neural network with one step secant algorithm
Jinliang et al. EEG emotion recognition based on granger causality and capsnet neural network
CN114732409A (zh) 一种基于脑电信号的情绪识别方法
Taherisadr et al. EEG signal dimensionality reduction and classification using tensor decomposition and deep convolutional neural networks
Xu et al. EEG emotion classification based on baseline strategy
Santhiya et al. A survey on emotion recognition from EEG signals: approaches, techniques & challenges
CN116881762A (zh) 一种基于动态脑网络特征的情绪识别方法
CN114947850A (zh) 基于脉搏波高斯模型特征的脑力负荷等级客观检测方法
Li et al. Feature extraction based on high order statistics measures and entropy for eeg biometrics
Singh et al. WD-EEMD based Voting Classifier for hand gestures classification using sEMG signals
Reaj et al. Emotion recognition using EEG-based brain computer interface
Ergin et al. Emotion detection using EEG signals based on Multivariate Synchrosqueezing Transform and Deep Learning
Shaharum et al. Performance analysis of feature selection method using ANOVA for automatic wheeze detection
Al-Anbary et al. A PROPOSED SIGN LANGUAGE MODEL FOR SPEECHLESS PERSONS USING EEG SIGNALS

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: 20200211

RJ01 Rejection of invention patent application after publication