CN110866537B - 一种基于脑电波的用于游戏评估的情感识别方法 - Google Patents

一种基于脑电波的用于游戏评估的情感识别方法 Download PDF

Info

Publication number
CN110866537B
CN110866537B CN201910925438.3A CN201910925438A CN110866537B CN 110866537 B CN110866537 B CN 110866537B CN 201910925438 A CN201910925438 A CN 201910925438A CN 110866537 B CN110866537 B CN 110866537B
Authority
CN
China
Prior art keywords
layer
node
fuzzy
input
output
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.)
Active
Application number
CN201910925438.3A
Other languages
English (en)
Other versions
CN110866537A (zh
Inventor
杜广龙
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201910925438.3A priority Critical patent/CN110866537B/zh
Publication of CN110866537A publication Critical patent/CN110866537A/zh
Application granted granted Critical
Publication of CN110866537B publication Critical patent/CN110866537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/20—Input arrangements for video game devices
    • A63F13/21—Input arrangements for video game devices characterised by their sensors, purposes or types
    • A63F13/212—Input arrangements for video game devices characterised by their sensors, purposes or types using sensors worn by the player, e.g. for measuring heart beat or leg activity
    • 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/10—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by input arrangements for converting player-generated signals into game device control signals
    • A63F2300/1012—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by input arrangements for converting player-generated signals into game device control signals involving biosensors worn by the player, e.g. for measuring heart beat, limb activity

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Human Computer Interaction (AREA)
  • Hospice & Palliative Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Social Psychology (AREA)
  • Automation & Control Theory (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Psychology (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)

Abstract

本发明提出了一种基于脑电波的用于游戏评估的情感识别方法。所述方法包括以下步骤：采用emotivepoc+设备进行脑电波数据的采集；使用改进的循环自进化模糊神经网络模型对部分脑电波数据即训练集进行训练；通过训练好的改进的循环自进化模糊神经网络模型对另外的脑电波数据即测试集进行测试。emotivepoc+设备能够采集人脑中的脑电波数值数据。改进的循环自进化模糊神经网络模型是一种神经网络模型，以脑电波数据作为输入，以玩家的情感状态类别作为输出。本发明采用脑电波数据进行情感识别，玩家在游戏中的情感无法被伪造，可以得到在游戏过程中的真实情感，具有较高的情感识别准确率。

Description

一种基于脑电波的用于游戏评估的情感识别方法
技术领域
本发明涉及人工智能领域，具体涉及一种基于脑电波的用于游戏评估的情感识别方法。
背景技术
游戏具有丰富的场景表现力，因而在人们的娱乐和教育等方面扮演着越来越重要的角色。游戏的主要目标之一是提供乐趣等情感体验，如果游戏设计者一位地从自身的角度去进行游戏设计，而不考虑玩家的游戏情感体验，那么玩家可能会因为游戏难度过低而感到无聊或者是由于游戏难度过高而产生颓废的情绪，这会导致他们对游戏的参与度降低甚至是结束该游戏。情感识别可以使得我们在玩家不中断游戏进程的情况下，获得玩家的实时情感状态。针对玩家的实时情感，游戏设计者可以相应地调整游戏的难度和内容以保持玩家的参与度，增强游戏体验，因此这是一个很有前景的研究领域。
迄今为止已提出了不少用于游戏评估的情感识别模型，且基本能够满足情感识别的需要，但仍有很多问题亟待解决或值得进一步研究。目前用于游戏评估的情感识别方法大都是基于面部表情或者外围神经系统的生理数据(如肌电图)来进行识别的。第一，基于面部表情的情感识别方法存在一个问题：玩家可以通过伪装来隐藏游戏过程中的真实情感状态，这就导致游戏评估环节存在偏差甚至出错。第二，使用肌电图等外围神经系统的胜利数据来进行情感识别要比使用脑电波等中央神经系统的生理数据的准确率低。有相当的关于认知理论的研究表明，人类的情感与人脑有着极其密切的联系，通过使用脑电波的数据，玩家游戏过程中的真实情感的识别准确率会大大提升。
发明内容
为了解决上述现有技术所存在的问题，本发明提供一种基于脑电波的用于游戏评估的情感识别方法，实现在不中断玩家游戏过程的条件下，获取玩家真实的情感状态。
本发明的目的至少通过如下技术方案之一实现。
一种基于脑电波的用于游戏评估的情感识别方法，包括以下步骤：
S1、采用emotiv epoc+设备进行脑电波数据的采集；
S2、使用改进的循环自进化模糊神经网络(RSEFNN)模型对部分脑电波数据即训练集进行训练；
S3、通过训练好的改进的循环自进化模糊神经网络模型对另外的脑电波数据即测试集进行测试。
进一步地，步骤S1中，所述emotiv epoc+设备能够采集人脑中的脑电波并采样计算一定时间间隔的平均值；采集多个实验者在游戏过程中的脑电波数据，并记录实验者在游戏过程中真实的情感状态的类别。
进一步地，在实验过程中，需要选取人脑中特定的区域来进行脑电波数据的采集。
进一步地，所述情感状态的类别包括愉悦、生气、害怕和难过。
进一步地，步骤S2中，利用步骤S1采集到的脑电波数据，通过改进的循环自进化模糊神经网络(RSEFNN)模型对其中训练集数据进行训练，以形成与实验者无关的情感识别模型；该模型以脑电波的数值数据作为输入，以实验者的真实情感状态的类别作为期望输出，使该模型尽可能拟合输入的脑电波数据。
进一步地，所述改进的循环自进化模糊神经网络模型包括输入层、模糊化层、空间激活层、循环层、结果层和输出层，每一层都包含节点，节点通过任意类型的非线性算子作为神经元。
进一步地，所述输入层中，输入表示为
Figure RE-GDA0002361664520000021
输入层中的每个节点对应于一个输入变量，并将输入值直接传输到模糊化层；
Figure RE-GDA0002361664520000022
定义
Figure RE-GDA0002361664520000023
表示第k层第i个节点的输出，其中，
Figure RE-GDA0002361664520000024
表示输入层中的第i个节点的输出， xi表示输入
Figure RE-GDA0002361664520000025
中的第i个输入变量；
所述模糊化层即隶属函数层中，每个节点都使用一个高斯隶属函数，模糊化层计算的隶属度值即模糊化层的输出如下：
Figure RE-GDA0002361664520000026
其中，
Figure RE-GDA0002361664520000031
指的是模糊化层的第j个节点因输入层的第i个节点的输入所对应的输出；mij，
Figure RE-GDA0002361664520000032
分别是输入层第i个节点的输入传递到模糊化层第j个隐藏神经元的高斯隶属函数的平均值和方差；高斯隶属函数的均值和方差是参数，由于每个节点都使用不同的高斯隶属函数，因此每个隶属函数的均值和方差需人为确定或随机生成；
所述空间激活层中，每个节点对应一个模糊规则作为空间规则节点函数；空间激活层的节点根据对应的规则从模糊化层的集合节点接收到一维的隶属度；使用模糊和算子对模糊规则进行预处理，通过运算得到空间激活强度Fj作为空间激活层的输出：
Figure RE-GDA0002361664520000033
其中，
Figure RE-GDA0002361664520000034
表示空间激活层第j个节点的输出，n为连接到第三层的节点i的第二层节点数目。
所述循环层中，每个节点都是一个循环模糊规则节点，形成一个内部反馈循环；这种循环模糊规则节点的输出是一个暂时的激活强度
Figure RE-GDA0002361664520000035
结合了空激活强度和时间激活强度
Figure RE-GDA0002361664520000036
计算公式如下：
Figure RE-GDA0002361664520000037
其中，
Figure RE-GDA0002361664520000038
是循环层第j个隐藏节点的输出，t表示时间步长，
Figure RE-GDA0002361664520000039
是随机生成的自循环参数，在循环过程中不断迭代，
Figure RE-GDA00023616645200000310
是时间激活强度，Fj(t)是本次循环的空间激活强度，
Figure RE-GDA00023616645200000311
是上一次循环的时间激活强度；
所述结果层中的节点为结果节点，计算公式如下：
Figure RE-GDA00023616645200000312
其中，
Figure RE-GDA00023616645200000313
是结果层的第j个隐藏节点的输出，
Figure RE-GDA00023616645200000314
表示线性函数关系，
Figure RE-GDA00023616645200000315
表示循环层的第i个节点到结果层的第q个节点的权重，xi(t)表示第i个输入，b为学习参数；
所述输出层中的输出节点执行模糊去模糊化，采用加权平均去模糊法：
Figure RE-GDA0002361664520000041
其中，
Figure RE-GDA0002361664520000042
为输出层第j个隐藏神经元的输出，R为模糊规则总数，y为改进的循环自进化模糊神经网络模型的输出。
进一步地，步骤S3中，使用训练好的改进的循环自进化模糊神经网络模型对测试集的数据进行测试，以实验者脑电波的数值数据作为输入，并以得到的实验者的测试情感状态的类别作为输出，与步骤S1中记录的真实的情感状态的类别作对比，得出改进的循环自进化模糊神经网络模型的准确率。
在真实情景下，以玩家的在游戏过程中的脑电波数据作为输入，并得到对应的输出即在游戏过程中的情感状态的类别。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明采用脑电波数据进行情感识别，玩家在游戏中的情感无法被伪造，可以得到在游戏过程中的真实情感。
2、本发明采用中央神经系统的脑电波数据进行预测。情感认知理论认为，人类的情感极大地受到人脑生理状态的影响。除此之外，相比于心电图的生理数据，脑电波数据具有更丰富的特征，更复杂的空间结构，因此，本发明的准确率要比采用心电图等的生理数据进行预测高。
附图说明
图1为本发明基于脑电波的用于游戏评估的情感识别框架技术路线图；
图2为本发明实施例中展示的人脑不同区域图；
图3为本发明实施例中循环自进化模糊神经网络(RSEFNN)模型结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图并举实施例，对本发明的具体实施进行详细说明。
实施例：
一种基于脑电波的用于游戏评估的情感识别方法，如图1所示，包括以下步骤：
S1、采用emotiv epoc+设备进行脑电波数据的采集；
其中，所述emotiv epoc+设备能够采集人脑中的脑电波并采样计算一定时间间隔的平均值；实验过程中，采集多个实验者在游戏过程中的脑电波数据，并记录实验者在游戏过程中真实的情感状态的类别。
脑电波是一些自发的有节律的神经电活动，其频率变动范围在每秒1－30次之间的，可划分为四个波段，即δ(1－3Hz)、θ(4－7Hz)、α(8－13Hz)、β(14－30Hz)。除此之外，在觉醒并专注于某一事时，常可见一种频率较β波更高的γ波，其频率为30～80Hz，波幅范围不定。
在实验过程中，需要选取人脑中特定的区域来进行脑电波数据的采集。
人脑不同区域如图2所示，本实施例中，选取AF3，AF4，F3，F4，F7，F8，FC5，FC6， T7，T8，P7，P8，O1，O2这14个人脑位置中的脑电波数据进行采集。
所述情感状态的类别包括愉悦、生气、害怕和难过。
S2、使用改进的循环自进化模糊神经网络模型对部分脑电波数据即训练集进行训练；
利用步骤S1采集到的脑电波数据，通过改进的循环自进化模糊神经网络模型对其中训练集数据进行训练，以形成与实验者无关的情感识别模型；该模型以脑电波的数值数据作为输入，以实验者的真实情感状态的类别作为期望输出，使该模型尽可能拟合输入的脑电波数据。
如图3所示，所述改进的循环自进化模糊神经网络模型包括输入层(Layer1)、模糊化层 (Layer2)、空间激活层(Layer3)、循环层(Layer4)、结果层(Layer5)和输出层(Layer6)，每一层都包含节点，节点通过任意类型的非线性算子作为神经元。
所述输入层中，输入表示为
Figure RE-GDA0002361664520000051
输入层中的每个节点对应于一个输入变量，并将输入值直接传输到模糊化层；
Figure RE-GDA0002361664520000052
定义
Figure RE-GDA0002361664520000053
表示第k层第i个节点的输出，其中，
Figure RE-GDA0002361664520000054
表示输入层中的第i个节点的输出， xi表示输入
Figure RE-GDA0002361664520000055
中的第i个输入变量；
所述模糊化层即隶属函数层中，每个节点都使用一个高斯隶属函数，模糊化层计算的隶属度值即模糊化层的输出如下：
Figure RE-GDA0002361664520000056
其中，
Figure RE-GDA0002361664520000057
指的是模糊化层的第j个节点因输入层的第i个节点的输入所对应的输出；mij，
Figure RE-GDA0002361664520000058
分别是输入层第i个节点的输入传递到模糊化层第j个隐藏神经元的高斯隶属函数的平均值和方差；高斯隶属函数的均值和方差是参数，由于每个节点都使用不同的高斯隶属函数，因此每个隶属函数的均值和方差需人为确定或随机生成；
所述空间激活层中，每个节点对应一个模糊规则作为空间规则节点函数；空间激活层的节点根据对应的规则从模糊化层的集合节点接收到一维的隶属度；使用模糊和算子对模糊规则进行预处理，通过运算得到空间激活强度Fj作为空间激活层的输出：
Figure RE-GDA0002361664520000061
其中，
Figure RE-GDA0002361664520000062
表示空间激活层第j个节点的输出，n为连接到第三层的节点i的第二层节点数目。
所述循环层中，每个节点都是一个循环模糊规则节点，形成一个内部反馈循环；这种循环模糊规则节点的输出是一个暂时的激活强度
Figure RE-GDA0002361664520000063
结合了空激活强度和时间激活强度
Figure RE-GDA0002361664520000064
计算公式如下：
Figure RE-GDA0002361664520000065
其中，
Figure RE-GDA0002361664520000066
是第循环层第j个隐藏节点的输出，t表示时间步长，
Figure RE-GDA0002361664520000067
是随机生成的自循环参数，在循环过程中不断迭代，
Figure RE-GDA0002361664520000068
是时间激活强度，Fj(t)是本次循环的空间激活强度，
Figure RE-GDA0002361664520000069
是上一次循环的时间激活强度；
所述结果层中的节点为结果节点，计算公式如下：
Figure RE-GDA00023616645200000610
其中，
Figure RE-GDA00023616645200000611
是结果层的第j个隐藏节点的输出，
Figure RE-GDA00023616645200000612
表示线性函数关系，
Figure RE-GDA00023616645200000613
表示循环层的第i个节点到结果层的第q个节点的权重，xi(t)表示第i个输入，b为学习参数；
所述输出层中的输出节点执行模糊去模糊化，采用加权平均去模糊法：
Figure RE-GDA00023616645200000614
其中，
Figure RE-GDA00023616645200000615
为输出层第j个隐藏神经元的输出，R为模糊规则总数，y为改进的循环自进化模糊神经网络模型的输出。
S3、通过训练好的改进的循环自进化模糊神经网络模型对另外的脑电波数据即测试集进行测试。
步骤S3中，使用训练好的改进的循环自进化模糊神经网络模型对测试集的数据进行测试，在实验过程中，以实验者脑电波的数值数据作为输入，并以得到的实验者的测试情感状态的类别作为输出，与步骤S1中记录的真实的情感状态的类别作对比，得出改进的循环自进化模糊神经网络模型的准确率。
情感认知理论认为，人类的情感极大地受到人脑生理状态的影响。除此之外，相比于心电图的生理数据，脑电波数据具有更丰富的特征，更复杂的空间结构，因此，本发明的准确率要比采用心电图等的生理数据进行预测高。
在真实情景下，以玩家的在游戏过程中的脑电波数据作为输入，并得到对应的输出即在游戏过程中的情感状态的类别。

Claims (6)

1.一种基于脑电波的用于游戏评估的情感识别方法，其特征在于，包括以下步骤：
S1、采用emotivepoc+设备进行脑电波数据的采集；
S2、使用改进的循环自进化模糊神经网络RSEFNN模型对部分脑电波数据即训练集进行训练；利用步骤S1采集到的脑电波数据，通过改进的循环自进化模糊神经网络模型对其中训练集数据进行训练，以形成与实验者无关的情感识别模型；该模型以脑电波的数值数据作为输入，以实验者的真实情感状态的类别作为期望输出，使该模型尽可能拟合输入的脑电波数据；所述改进的循环自进化模糊神经网络模型包括输入层、模糊化层、空间激活层、循环层、结果层和输出层，每一层都包含节点，节点通过任意类型的非线性算子作为神经元；所述输入层中，输入表示为
Figure FDA0003740118120000011
输入层中的每个节点对应于一个输入变量，并将输入值直接传输到模糊化层；
Figure FDA0003740118120000012
定义
Figure FDA0003740118120000013
表示第k层第i个节点的输出，其中，
Figure FDA0003740118120000014
表示输入层中的第i个节点的输出，xi表示输入
Figure FDA0003740118120000015
中的第i个输入变量；
所述模糊化层即隶属函数层中，每个节点都使用一个高斯隶属函数，模糊化层计算的隶属度值即模糊化层的输出如下：
Figure FDA0003740118120000016
其中，
Figure FDA0003740118120000017
指的是模糊化层的第j个节点因输入层的第i个节点的输入所对应的输出；mij，
Figure FDA0003740118120000018
分别是输入层第i个节点的输入传递到模糊化层第j个隐藏神经元的高斯隶属函数的平均值和方差；
所述空间激活层中，每个节点对应一个模糊规则作为空间规则节点函数；空间激活层的节点根据对应的规则从模糊化层的集合节点接收到一维的隶属度；使用模糊和算子对模糊规则进行预处理，通过运算得到空间激活强度Fj作为空间激活层的输出：
Figure FDA0003740118120000019
其中，
Figure FDA00037401181200000110
表示空间激活层第j个节点的输出，n为连接到第三层的节点i的第二层节点数目；
S3、通过训练好的改进的循环自进化模糊神经网络模型对另外的脑电波数据即测试集进行测试。
2.根据权利要求1所述的一种基于脑电波的用于游戏评估的情感识别方法，其特征在于，步骤S1中，所述emotivepoc+设备能够采集人脑中的脑电波并采样计算一定时间间隔的平均值；采集多个实验者在游戏过程中的脑电波数据，并记录实验者在游戏过程中真实的情感状态的类别。
3.根据权利要求2所述的一种基于脑电波的用于游戏评估的情感识别方法，其特征在于，需要选取人脑中特定的区域来进行脑电波数据的采集。
4.根据权利要求2所述的一种基于脑电波的用于游戏评估的情感识别方法，其特征在于，所述情感状态的类别包括愉悦、生气、害怕和难过。
5.根据权利要求1所述的一种基于脑电波的用于游戏评估的情感识别方法，其特征在于，所述循环层中，每个节点都是一个循环模糊规则节点，形成一个内部反馈循环；这种循环模糊规则节点的输出是一个暂时的激活强度
Figure FDA0003740118120000021
结合了空间激活强度和时间激活强度
Figure FDA0003740118120000022
计算公式如下：
Figure FDA0003740118120000023
其中，
Figure FDA0003740118120000024
是循环层第j个隐藏节点的输出，t表示时间步长，
Figure FDA0003740118120000025
是随机生成的自循环参数，在循环过程中不断迭代，
Figure FDA0003740118120000026
是时间激活强度，Fj(t)是本次循环的空间激活强度，
Figure FDA0003740118120000027
是上一次循环的时间激活强度；
所述结果层中的节点为结果节点，计算公式如下：
Figure FDA0003740118120000028
其中，
Figure FDA0003740118120000029
是结果层的第j个隐藏节点的输出，
Figure FDA00037401181200000210
表示线性函数关系，
Figure FDA00037401181200000211
表示循环层的第i个节点到结果层的第q个节点的权重，xi(t)表示第i个输入，b为学习参数；
所述输出层中的输出节点执行模糊去模糊化，采用加权平均去模糊法：
Figure FDA00037401181200000212
其中，
Figure FDA00037401181200000213
为输出层第j个隐藏神经元的输出，R为模糊规则总数，y为改进的循环自进化模糊神经网络模型的输出。
6.根据权利要求1所述的一种基于脑电波的用于游戏评估的情感识别方法，其特征在于，步骤S3中，使用训练好的改进的循环自进化模糊神经网络模型对测试集的数据进行测试，以实验者脑电波的数值数据作为输入，并以得到的实验者的测试情感状态的类别作为输出，与步骤S1中记录的真实的情感状态的类别作对比，得出改进的循环自进化模糊神经网络模型的准确率。
CN201910925438.3A 2019-09-27 2019-09-27 一种基于脑电波的用于游戏评估的情感识别方法 Active CN110866537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910925438.3A CN110866537B (zh) 2019-09-27 2019-09-27 一种基于脑电波的用于游戏评估的情感识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910925438.3A CN110866537B (zh) 2019-09-27 2019-09-27 一种基于脑电波的用于游戏评估的情感识别方法

Publications (2)

Publication Number Publication Date
CN110866537A CN110866537A (zh) 2020-03-06
CN110866537B true CN110866537B (zh) 2022-10-25

Family

ID=69652784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910925438.3A Active CN110866537B (zh) 2019-09-27 2019-09-27 一种基于脑电波的用于游戏评估的情感识别方法

Country Status (1)

Country Link
CN (1) CN110866537B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111407269A (zh) * 2020-03-30 2020-07-14 华南理工大学 一种基于增强学习的eeg信号情感识别方法
CN111407260B (zh) * 2020-03-30 2021-07-20 华南理工大学 方向盘嵌入心电传感器的基于脑电和心电的疲劳检测方法
CN111461204B (zh) * 2020-03-30 2023-05-26 华南理工大学 一种用于游戏评估的基于脑电信号的情感识别方法
CN114098729B (zh) * 2020-08-27 2023-11-10 中国科学院心理研究所 基于心脏间期的情绪状态客观测量方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5828812A (en) * 1993-03-24 1998-10-27 National Semiconductor Corporation Recurrent neural network-based fuzzy logic system and method
CN108268887A (zh) * 2017-12-15 2018-07-10 西安电子科技大学 基于虚拟驾驶与eeg检测的驾驶人安全意识评估方法
CN108499111A (zh) * 2018-03-15 2018-09-07 广东欧珀移动通信有限公司 游戏难度调整方法及相关产品
CN108898214A (zh) * 2018-06-29 2018-11-27 山东师范大学 一种在线序列数据预测方法及装置
WO2019017962A1 (en) * 2017-07-21 2019-01-24 Landmark Graphics Corporation TANK MODELING BASED ON DEEP LEARNING

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140143193A1 (en) * 2012-11-20 2014-05-22 Qualcomm Incorporated Method and apparatus for designing emergent multi-layer spiking networks
US10831444B2 (en) * 2016-04-04 2020-11-10 Technion Research & Development Foundation Limited Quantized neural network training and inference

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5828812A (en) * 1993-03-24 1998-10-27 National Semiconductor Corporation Recurrent neural network-based fuzzy logic system and method
WO2019017962A1 (en) * 2017-07-21 2019-01-24 Landmark Graphics Corporation TANK MODELING BASED ON DEEP LEARNING
CN108268887A (zh) * 2017-12-15 2018-07-10 西安电子科技大学 基于虚拟驾驶与eeg检测的驾驶人安全意识评估方法
CN108499111A (zh) * 2018-03-15 2018-09-07 广东欧珀移动通信有限公司 游戏难度调整方法及相关产品
CN108898214A (zh) * 2018-06-29 2018-11-27 山东师范大学 一种在线序列数据预测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Assessment of Mental Fatigue: An EEG-Based Forecasting System for Driving Safety;Yu-Ting Liu 等，;《2015 IEEE International Conference on Systems, Man, and Cybernetics》;20160114;第2016年卷;摘要、第3235-3237页 *
Driving fatigue prediction with pre-event electroencephalography (EEG) via a recurrent fuzzy neural network;Yu-Ting Liu 等，;《2016 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE)》;20161110;第2016年卷;第2488-2494页 *
基于脑电信号的情绪识别;陈明，;《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》;20180415;第2018年卷(第4期);第E080-32页 *
自组织递归区间二型模糊神经网络在动态时变系统辨识中的应用;李迪 等，;《光学精密工程》;20110630;第19卷(第6期);第1406-1413页 *

Also Published As

Publication number Publication date
CN110866537A (zh) 2020-03-06

Similar Documents

Publication Publication Date Title
CN110866537B (zh) 一种基于脑电波的用于游戏评估的情感识别方法
CN103989485A (zh) 基于脑电波的人体疲劳度评价方法
Kołodziej et al. A new method of EEG classification for BCI with feature extraction based on higher order statistics of wavelet components and selection with genetic algorithms
CN109480835B (zh) 一种基于长短期记忆神经网络的精神疲劳检测方法
Liu et al. Driving fatigue prediction with pre-event electroencephalography (EEG) via a recurrent fuzzy neural network
Marmarelis et al. Nonlinear modeling of dynamic interactions within neuronal ensembles using principal dynamic modes
CN108921286A (zh) 一种免阈值设定的静息态功能脑网络构建方法
Thenmozhi et al. Feature selection using extreme gradient boosting Bayesian optimization to upgrade the classification performance of motor imagery signals for BCI
Vance et al. Bioinspired approach to modeling retinal ganglion cells using system identification techniques
CN114343638B (zh) 一种基于多模态生理参数信号的疲劳程度评估方法及系统
Pressnitzer et al. Acoustic timbre recognition
Choe Anti-hebbian learning
Dzitac et al. Identification of ERD using fuzzy inference systems for brain-computer interface
Sargolzaei et al. Functional connectivity network based on graph analysis of scalp EEG for epileptic classification
Wang et al. A shallow convolutional neural network for classifying MI-EEG
Lange et al. Overcoming selective ensemble averaging: unsupervised identification of event-related brain potentials
Gaso et al. Electromyography signal classification using deep learning
Xu et al. Lightweight eeg classification model based on eeg-sensor with few channels
Gayatri et al. Implementation of epileptic EEG using recurrent neural network
Hennig et al. Auditory processing in insects
Nagwanshi et al. Wearable Sensors with Internet of Things (IoT) and Vocabulary‐Based Acoustic Signal Processing for Monitoring Children’s Health
CN115736840A (zh) 一种基于心电数据的睡眠质量识别分类方法
Potthast Amari model
Imaizumi et al. Auditory thalamocortical transformations
Ghani et al. Classification of frontal EEG signals of normal subjects to differentiate gender by using Artificial Neural Network

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
GR01 Patent grant
GR01 Patent grant