CN112163518B - 情绪监测的情绪建模方法及情绪监测调节系统 - Google Patents
情绪监测的情绪建模方法及情绪监测调节系统 Download PDFInfo
- Publication number
- CN112163518B CN112163518B CN202011038628.2A CN202011038628A CN112163518B CN 112163518 B CN112163518 B CN 112163518B CN 202011038628 A CN202011038628 A CN 202011038628A CN 112163518 B CN112163518 B CN 112163518B
- Authority
- CN
- China
- Prior art keywords
- emotion
- data
- user
- feedback
- training
- 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
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 268
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 82
- 239000013598 vector Substances 0.000 claims abstract description 50
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 230000007935 neutral effect Effects 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 20
- 230000010482 emotional regulation Effects 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 45
- 230000002996 emotional effect Effects 0.000 claims description 20
- 230000036651 mood Effects 0.000 claims description 17
- 238000012706 support-vector machine Methods 0.000 claims description 16
- 230000001965 increasing effect Effects 0.000 claims description 15
- 230000000638 stimulation Effects 0.000 claims description 14
- 210000004556 brain Anatomy 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 239000002003 electrode paste Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000003750 conditioning effect Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 210000000624 ear auricle Anatomy 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 210000004761 scalp Anatomy 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008909 emotion recognition Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种情绪监测的情绪建模方法及情绪监测调节系统，该方法是拾取训练的情绪信号，依次进行滤波预处理和微分熵特征提取，得到相应的特征向量；将特征向量通过基于线性核的SVM构建情绪分类的分类器，将训练中的高兴、中性、悲伤情绪状态下对应的情绪特征数据构成一个训练集，并将高兴、中性、悲伤情绪状态下对应的特征向量送入分类器进行训练，得到基于情绪的分类器模型；再次调用上述训练集中三种情绪状态对应的特征向量分别送入分类器模型，在分类器模型的输出中得到每种情绪状态的score值(代表情绪的强弱程度)，并基于score值构建反馈准则，用于帮助用户有效地改变自己的情绪调节策略，达到情绪调节的有用效果。
Description
技术领域
本发明涉及脑机接口技术与情绪诱发及监测的技术领域，尤其是指一种情绪监测的情绪建模方法及情绪监测调节系统。
背景技术
人类的情绪是丰富的，表达方式也是千变万化。在影响到人类健康的情绪活动中，发现至少包括有非常高兴、高兴、平静、一般生气、极度生气等。近年来各大研究机构都试图研究和应用情绪监控和调节方面的工作，也发明了非常多的监控和调节方法，一般包括情绪信号刺激建模，并利用所建模型进行监控和调节方面的工作，这些研究工作应用于人工智能设备时的确发挥了其优点。在该等工作开发中，其难点在于信号过滤取样(例如申请号为201110425021.4，名称为“基于可分频段自适应跟踪的脑电情绪状态特征提取方法”所披露的方案)和建模(例如申请号为201310689135.9，名称为“一种跨诱发模式情绪脑电识别建模方法”所披露的方案)，其中，建模主要采用支持向量机SVM作为底层技术，为此建立一个比较贴近现实情绪行为的技术模型用于情绪调节是每个研究工作的重心之一。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足，提出一种实现更高精确度的情绪监测的情绪建模方法，其建立的模型不仅能够准确反映被试者的当前情绪状态，而且能够准确反映被试者的情绪强弱程度。
本发明的第二目的在于提出一种情绪监测调节系统，该系统基于无损的脑机接口技术，设计脑电采集、处理各个模块，结合情感诱发刺激范式，去帮助被试者进行实时情绪调节，不仅能够准确反映被试者的当前情绪状态，而且能够借助于反馈结果呈现，给被试者直接在线(同步)观察从而协助被试者调节情绪。
本发明的第一目的通过下述技术方案实现：情绪监测的情绪建模方法，首先，拾取训练的情绪信号，再依次进行滤波预处理和微分熵特征提取，得到相应的特征向量；然后将特征向量通过基于线性核的支持向量机SVM构建情绪分类的分类器，将训练中的高兴、中性、悲伤情绪状态下对应的情绪特征数据构成一个训练集，并将高兴、中性、悲伤情绪状态下对应的特征向量送入上述分类器进行训练，得到基于情绪的分类器模型；最后，再次调用上述训练集中三种情绪状态对应的特征向量分别送入训练好的分类器模型，在分类器模型的输出中得到每种情绪状态的score值，并基于score值构建反馈准则，用于帮助用户有效地改变自己的情绪调节策略，达到情绪调节的有用效果；其中，所述score值代表情绪的强弱程度。
进一步，对训练的情绪信号进行滤波预处理和微分熵特征提取的操作如下：
对于训练的情绪信号，称为训练数据，该训练数据经过10阶最小相位有限冲击响应带通滤波器滤波，滤波带宽为0.1–70Hz，以及限波滤波器，限制频率为50Hz；对于训练数据的每一个数据段，采用滑动窗口的方式将其切割成时间窗口为20秒的小窗，滑动间隔为2秒；对于每一个小窗，提取30个通道在5个频率段：①Delta频段：1-3Hz，②Theta频段：4-7Hz，③Alpha频段：8-13Hz，④Beta频段：14-30Hz，⑤Gamma频段：31-50Hz内的微分熵特征，即DE特征，共得到150维的特征向量；其中，微分熵特征的具体计算方法如下：
对于每个数据通道，使用短时傅里叶变化(STFT)将信号变化到时频域，随后按照下列公式：
DE＝log(|x(m,fk)|2)
式中，m为对应时间段序号，fk为对应频率的组合(例如Delta频段的DE特征对应的频率组合就是1至3Hz之间的所有频率)，函数x(m,fk)表示在m时间段及fk对应频率的组合下的频谱值；在频率域上分别计算每个频段的信号能量，并将对应的能量值取对数之后就得到了相应的微分熵特征。
进一步，通过呈现带有情感内容的模板来诱发用户的情绪，进而拾取训练的情绪信号；其中，所述模板包括以屏显方式呈现的视频式样或以声音方式呈现的语音或它们的组合。
进一步，呈现每个模板前，首先提示用户后续特定时间内需要保持在高兴、中性或者悲伤中的何种情绪状态，让用户调节自己的情绪至对应的状态，持续时间3～10秒；每个模板呈现结束后，给予用户适当时间休息。
进一步，训练的情绪信号为用户的脑电情绪信号。
本发明的第二目的通过下述技术方案实现：情绪监测调节系统，所述系统用到上述情绪建模方法，其包括：
刺激呈现模块，用于传递刺激用的模板，通过呈现带有情感内容的所述模板来诱发用户的情绪；
采集模块，用于采集并记录用户的情绪信号，采集的情绪信号被标定为训练数据和在线测试数据，其中，训练数据被记录并保存在计算机中，并能够被数据处理模块读取，在线测试数据则被实时传输到数据处理模块；
数据处理模块，用于对所述采集模块采集的情绪信号进行处理，包括对记录的训练数据进行读取和对在线测试数据进行实时获取；随后分别对训练数据和在线测试数据进行特征提取得到相应的特征向量，其中，所述训练数据得到的特征向量用来构建基于情绪的分类器模型和反馈准则，而所述在线测试数据得到的特征向量则通过所述分类器模型和反馈准则获取处理结果，并用于在线情绪状态反馈；
反馈呈现模块，用于呈现所述数据处理模块处理后的结果，即反馈用户当前情绪状态，给用户直接在线观察从而协助用户调节情绪，主要形成与用户之间的互动。
进一步，所述刺激呈现模块包括用于屏显的显示器，通过VGA连接线与安装有数据处理模块的计算机连接；所述刺激呈现模块在呈现每个模板前，首先提示用户后续特定时间内需要保持在高兴、中性或者悲伤中的何种情绪状态，让用户调节自己的情绪至对应的状态，持续时间3～10秒；每个模板呈现结束后，给予用户适当时间休息；所述模板包括以屏显方式呈现的视频式样或以声音方式呈现的语音或它们的组合。
进一步，所述采集模块采集用户的脑电情绪信号，并通过USB数据连接线和并口线与安装有数据处理模块的计算机连接；所述采集模块采用脑电放大器和32通道的EEG电极帽来记录头皮脑电信号，并将脑电信号传输给数据处理模块；其中，所有通道的脑电信号均以右耳突为参照，在脑电采集过程中，所有电极的阻抗值皆为5KΩ以下，且脑电信号以250Hz的频率采样，并在0.1至70Hz的范围内进行带通滤波；信号采集时，先让被试者坐于刺激端显示器前，与刺激呈现模块的显示器距离为40-50cm，显示器高度调至平视水平，给被试者佩戴EEG电极帽，用平口针筒将电极膏注入电极帽嵌入式电极，电极膏注入完毕，给被试者佩戴耳机，每名被试者需要进行两段脑电数据的采集，一段是训练数据采集，另一段是在线测试数据采集。
进一步，构建基于情绪的分类器模型方法如下：
首先，读取计算机中记录好的训练数据，随后进行滤波预处理后，再进行微分熵特征提取，得到相应的特征向量；然后将训练数据的特征向量通过基于线性核的支持向量机SVM构建情绪分类的分类器，将训练中的高兴、中性、悲伤情绪状态下对应的情绪特征数据构成一个训练集，并将高兴、中性、悲伤情绪状态下对应的特征向量送入上述分类器进行训练，得到基于情绪的分类器模型；而后再次调用上述训练集中三种情绪状态对应的特征向量分别送入训练好的分类器模型，在分类器模型的输出中能够得到每种情绪状态的score值，并基于score值构建反馈准则，用于帮助用户有效地改变自己的情绪调节策略，达到情绪调节的有用效果；其中，所述score值代表情绪的强弱程度；
对于在线测试数据的处理方法如下：
首先，对在线测试数据进行实时获取，随后进行滤波预处理后，再进行微分熵特征提取，得到相应的特征向量；然后想特征向量送入上述训练好的分类器模型中，得到相应的情绪分类结果和对应的score值，并将这个结果传递给反馈呈现模块；
对训练数据和在线测试数据进行滤波预处理和微分熵特征提取的操作如下：
对于训练数据和在线测试数据，经过10阶最小相位有限冲击响应带通滤波器滤波，滤波带宽为0.1–70Hz，以及限波滤波器，限制频率为50Hz；对于训练数据和在线测试数据的每一个数据段，采用滑动窗口的方式将其切割成时间窗口为20秒的小窗，滑动间隔为2秒；对于每一个小窗，提取30个通道在5个频率段：①Delta频段：1-3Hz，②Theta频段：4-7Hz，③Alpha频段：8-13Hz，④Beta频段：14-30Hz，⑤Gamma频段：31-50Hz内的微分熵特征，即DE特征，共得到150维的特征向量；其中，微分熵特征的具体计算方法如下：
对于每个数据通道，使用短时傅里叶变化(STFT)将信号变化到时频域，随后按照下列公式：
DE＝log(|x(m,fk)|2)
式中，m为对应时间段序号，fk为对应频率的组合(例如Delta频段的DE特征对应的频率组合就是1至3Hz之间的所有频率)，函数x(m,fk)表示在m时间段及fk对应频率的组合下的频谱值；在频率域上分别计算每个频段的信号能量，并将对应的能量值取对数之后就得到了相应的微分熵特征。
进一步，所述分类器模型用于对高兴、中性和悲伤三种情绪特征数据进行情绪分类，并输出代表情绪强弱程度的score值；将三种情绪对应的score值分开，高兴、中性和悲伤对应的score值的个数分别为n1、n2和n3，并对每一类情绪分别选择两个基线，具体方法为：先对于每一类情绪对应的score值从小到大进行排序，记排序后的每个score值的序号为1,2,3…ni，i＝1,2,3，对应高兴、中性和悲伤三种情绪，然后选择序号为ni*50％和ni*95％取整后对应的两个score值作为对应情绪状态score值的两条基线，分别记为L1i和L2i，并利用这两个基线构建一个三级反馈标准，即反馈准则：小于L1i的反馈、大于L1i且小于L2i的反馈、大于L2i的反馈，通过不同的反馈结果，即对应状态的强烈程度，被试者能够更加准确获取自己当前的情绪状态；
所述反馈呈现模块是通过视觉反馈的方式，显示在计算机的显示器的右侧，反馈的内容包含一个表情图片和三个彩色的柱状条，从左到右分别为红色、绿色和蓝色，这三个柱状条分别用来呈现高兴、中性和悲伤情绪的反馈结果，每个柱状条标有多个刻度，在测试任务开始时，所有的柱状条高度均为0，进行在线测试任务的过程中，每当有在线测试数据被接受处理后，所述数据处理模块会给出对应的情绪分类结果和score值，并向反馈呈现模块传递相应的反馈准则，在计算机的显示器中将其显示出来，具体的显示方式为：给出相应情绪分类结果的表情图片，如果输出的score值是小于L1i的反馈时，情绪分类结果对应的柱状条会增高一个刻度，如果是大于L1i且小于L2i的反馈时，情绪分类结果对应的柱状条会增高两个刻度，如果是大于L2i的反馈时，情绪分类结果对应的柱状条会增高三个刻度；最后，被试者能够根据柱状条的变化情况了解当前自己的情绪状态，判断自己是否处于目标情绪中，进而改变自己的情绪保持和激发策略。
本发明与现有技术相比，具有如下优点与有益效果：
1、本方法可实现更高精确度的情绪建模，且其建立的模型不仅能够准确反映被试者的当前情绪状态，而且也能够准确反映被试者的情绪强弱程度。
2、基于脑机接口的方式进行情绪调节，利用脑电信号识别相较于其它情绪识别方式例如面部表情识别、肌电信号识别更加准确有效，能够更加真实的反映被试者的情绪状态。
3、提供了基于电生理信号的视觉反馈，让被试者了解到当前自己的情绪状态，被试者通过柱状条的增长速度，判断自己使用的情绪调节方式是否可以达到有效地调节作用，如果柱状条增长不明显，被试者则可以迅速改变自己的情绪调节策略。经实验验证，20名被试者利用本发明系统进行了情绪调节训练，情绪调节能力得到了显著的提升，20名被试者在三类情绪的激发任务中的平均正确激发率从训练前的56.21±21.84％增长到了训练后的79.67±22.76％，体现出本发明系统对帮助被试者进行情绪调节的有效性。
4、提供了多种刺激呈现的方式供被试者选择，能够更好的激发被试者的情绪。
5、系统除了能够监测基本情绪状态(高兴、中性和悲伤)之外，还能够判定对应情绪的强烈程度。
附图说明
图1是情绪监测的情绪建模构建的框架图。
图2是情绪监测调节系统的架构图。
图3是数据处理模块的架构图。
图4是反馈呈现模块的呈现示意图。
具体实施方式
下面结合实施例及附图对本发明者作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例公开了一种情绪监测的情绪建模方法，其具体过程如图1所示：
首先，拾取训练的情绪信号，具体是用户的脑电情绪信号，通过呈现带有情感内容的模板来诱发用户的情绪，所述模板包括以屏显方式呈现的视频式样或以声音方式呈现的语音或它们的组合，且在呈现每个模板前，事先提示用户后续1分钟内需要保持在高兴、中性或者悲伤中的何种情绪状态，让用户调节自己的情绪至对应的状态，持续时间3～10秒，每个模板呈现结束后，给予用户适当时间休息。
然后，对训练的脑电情绪信号依次进行滤波预处理和微分熵特征提取，得到相应的特征向量；其中，对训练的脑电情绪信号进行滤波预处理和微分熵特征提取的操作如下：
对于训练的脑电情绪信号，称为训练数据，该训练数据经过10阶最小相位有限冲击响应带通滤波器滤波，滤波带宽为0.1–70Hz，以及限波滤波器，限制频率为50Hz；对于训练数据的每一个数据段，采用滑动窗口的方式将其切割成时间窗口为20秒的小窗，滑动间隔为2秒；对于每一个小窗，提取30个通道在5个频率段：①Delta频段：1-3Hz，②Theta频段：4-7Hz，③Alpha频段：8-13Hz，④Beta频段：14-30Hz，⑤Gamma频段：31-50Hz内的微分熵特征，即DE特征，共得到150维的特征向量；微分熵特征的具体计算方法如下：
对于每个数据通道，使用短时傅里叶变化(STFT)将信号变化到时频域，随后按照下列公式：
DE＝log(|x(m,fk)|2)
式中，m为对应时间段序号，fk为对应频率的组合，函数x(m,fk)表示在m时间段及fk对应频率的组合下的频谱值；在频率域上分别计算每个频段的信号能量，并将对应的能量值取对数之后就得到了相应的微分熵特征。
接着，将特征向量通过基于线性核的支持向量机SVM构建情绪分类的分类器，将训练中的高兴、中性、悲伤情绪状态下对应的情绪特征数据构成一个训练集，并将高兴、中性、悲伤情绪状态下对应的特征向量送入上述分类器进行训练，得到基于情绪的分类器模型。
最后，再次调用上述训练集中三种情绪状态对应的特征向量分别送入训练好的分类器模型，在分类器模型的输出中得到每种情绪状态的score值(代表情绪的强弱程度)，并基于score值构建反馈准则，用于帮助用户有效地改变自己的情绪调节策略，达到情绪调节的有用效果。
实施例2
本实施例公开了一种情绪监测调节系统，用到了实施例1所述的情绪建模方法，如图2所示，该系统包括：刺激呈现模块、采集模块、数据处理模块和反馈呈现模块。
所述刺激呈现模块包括用于屏显的显示器，通过VGA连接线与安装有数据处理模块的计算机连接，用于传递刺激用的模板，通过呈现带有情感内容的所述模板来诱发用户的情绪；所述模板包括以屏显方式呈现的视频式样或以声音方式呈现的语音或它们的组合；刺激呈现模块在呈现每个模板前，首先提示用户后续1分钟内需要保持在高兴、中性或者悲伤中的何种情绪状态，让用户调节自己的情绪至对应的状态，持续时间3～10秒；每个模板呈现结束后，给予用户适当时间休息。
所述采集模块用于采集并记录用户的情绪信号，具体是采集用户的脑电情绪信号，并通过USB数据连接线和并口线与安装有数据处理模块的计算机连接，其中，采集的脑电情绪信号被标定为训练数据和在线测试数据，训练数据被记录并保存在计算机中，并能够被数据处理模块读取，在线测试数据则被实时传输到数据处理模块；所述采集模块采用脑电放大器和32通道的EEG电极帽来记录头皮脑电信号，并将脑电信号传输给数据处理模块；所有通道的脑电信号均以右耳突为参照，在脑电采集过程中，所有电极的阻抗值皆为5KΩ以下，且脑电信号以250Hz的频率采样，并在0.1至70Hz的范围内进行带通滤波；信号采集时，先让被试者坐于刺激端显示器前，与刺激呈现模块的显示器距离为40-50cm，显示器高度调至平视水平，给被试者佩戴EEG电极帽，用平口针筒将电极膏注入电极帽嵌入式电极，电极膏注入完毕，给被试者佩戴耳机，每名被试者需要进行两段脑电数据的采集，一段是训练数据采集，另一段是在线测试数据采集。
如图3所示，所述数据处理模块用于对所述采集模块采集的情绪信号进行处理，包括对记录的训练数据进行读取和对在线测试数据进行实时获取；随后分别对训练数据和在线测试数据进行特征提取得到相应的特征向量，其中，所述训练数据得到的特征向量用来构建基于情绪的分类器模型和反馈准则，而所述在线测试数据得到的特征向量则通过所述分类器模型和反馈准则获取处理结果，并用于在线情绪状态反馈。
构建基于情绪的分类器模型的方法具体如下：
首先，读取计算机中记录好的训练数据，随后进行滤波预处理后，再进行微分熵特征提取，得到相应的特征向量；然后将训练数据的特征向量通过基于线性核的支持向量机SVM构建情绪分类的分类器，将训练中的高兴、中性、悲伤情绪状态下对应的情绪特征数据构成一个训练集，并将高兴、中性、悲伤情绪状态下对应的特征向量送入上述分类器进行训练，得到基于情绪的分类器模型；而后再次调用上述训练集中三种情绪状态对应的特征向量分别送入训练好的分类器模型，在分类器模型的输出中能够得到每种情绪状态的score值(代表情绪的强弱程度)，并基于score值构建反馈准则，用于帮助用户有效地改变自己的情绪调节策略，达到情绪调节的有用效果。
对于在线测试数据的处理方法如下：
首先，对在线测试数据进行实时获取，随后进行滤波预处理后，再进行微分熵特征提取，得到相应的特征向量；然后想特征向量送入上述训练好的分类器模型中，得到相应的情绪分类结果和对应的score值，并将这个结果传递给反馈呈现模块；
其中，对训练数据和在线测试数据进行滤波预处理和微分熵特征提取的操作如下：
对于训练数据和在线测试数据，经过10阶最小相位有限冲击响应带通滤波器滤波，滤波带宽为0.1–70Hz，以及限波滤波器，限制频率为50Hz；对于训练数据和在线测试数据的每一个数据段，采用滑动窗口的方式将其切割成时间窗口为20秒的小窗，滑动间隔为2秒；对于每一个小窗，提取30个通道在5个频率段：①Delta频段：1-3Hz，②Theta频段：4-7Hz，③Alpha频段：8-13Hz，④Beta频段：14-30Hz，⑤Gamma频段：31-50Hz内的微分熵特征，即DE特征，共得到150维的特征向量；其中，微分熵特征的具体计算方法如下：
对于每个数据通道，使用短时傅里叶变化(STFT)将信号变化到时频域，随后按照下列公式：
DE＝log(|x(m,fk)|2)
式中，m为对应时间段序号，fk为对应频率的组合，函数x(m,fk)表示在m时间段及fk对应频率的组合下的频谱值；在频率域上分别计算每个频段的信号能量，并将对应的能量值取对数之后就得到了相应的微分熵特征。
将三种情绪对应的score值分开，高兴、中性和悲伤对应的score值的个数分别为n1、n2和n3，并对每一类情绪分别选择两个基线，具体方法为：先对于每一类情绪对应的score值从小到大进行排序，记排序后的每个score值的序号为1,2,3…ni，i＝1,2,3，对应高兴、中性和悲伤三种情绪，然后选择序号为ni*50％和ni*95％取整后对应的两个score值作为对应情绪状态score值的两条基线，分别记为L1i和L2i，并利用这两个基线构建一个三级反馈标准，即反馈准则：小于L1i的反馈、大于L1i且小于L2i的反馈、大于L2i的反馈，通过不同的反馈结果，即对应状态的强烈程度，被试者能够更加准确获取自己当前的情绪状态。
所述反馈呈现模块是通过视觉反馈的方式，显示在计算机的显示器的右侧，反馈的内容包含一个表情图片和三个彩色的柱状条，从左到右分别为红色、绿色和蓝色，这三个柱状条分别用来呈现高兴、中性和悲伤情绪的反馈结果，每个柱状条标有多个刻度，在测试任务开始时，所有的柱状条高度均为0，进行在线测试任务的过程中，每当有在线测试数据被接受处理后，所述数据处理模块会给出对应的情绪分类结果和score值，并向反馈呈现模块传递相应的反馈准则，在计算机的显示器中将其显示出来，具体的显示方式为：给出相应情绪分类结果的表情图片，如果输出的score值是小于L1i的反馈时，情绪分类结果对应的柱状条会增高一个刻度，如果是大于L1i且小于L2i的反馈时，情绪分类结果对应的柱状条会增高两个刻度，如果是大于L2i的反馈时，情绪分类结果对应的柱状条会增高三个刻度；最后，被试者能够根据柱状条的变化情况了解当前自己的情绪状态，判断自己是否处于目标情绪中，进而改变自己的情绪保持和激发策略。
下面基于上述情绪监测调节系统，实验的具体流程如下：
1)打开采集模块，开始采集脑电信号。具体为：先让被试者坐于刺激呈现模块的显示器前，与显示器的距离为40-50cm，显示器高度调至平视水平，给受试者佩戴EEG电极帽，用平口针筒将电极膏注入电极帽嵌入式电极，电极膏注入完毕，给受试者佩戴耳机。使用国际10-20标准的32通道的脑电极帽和NeuroScan公司的脑电放大器进行脑电信号的采集，所有通道的脑电信号均以右耳突为参照，在脑电采集过程中，所有电极的阻抗值皆为5KΩ以下，且脑电信号以250Hz的频率采样。
2)将采集模块，刺激呈现模块，以及数据处理模块之间建立通信关系，具体的连接方式如下：
2.1)打开计算机中的刺激呈现程序scutbci.exe，点击菜单栏上的运行按钮后，会自动运行两个子程序，用于接受数据的netreader.exe，以及发送标记数据marker的netstim.exe；
2.2)在netreader.exe的界面设置TCP端口号，点击连接按钮后建立采集模块与数据处理模块之间基于TCP协议的连接，数据处理模块随后可以实时接收到采集模块发送来的脑电数据，并在窗口中显示接收到的脑电波形；
2.3)在netstim.exe的界面中设置UDP端口号，点击发送按钮后可以建立刺激呈现模块与采集模块之间基于UDP协议的连接，并从刺激呈现模块发送一个标记数据marker至采集模块。
3)进行训练数据的采集：
3.1)在scutbci.exe的菜单栏上点击设置按钮，选择模式为“训练模式(train)”,设置训练试次，一般为30，点击保存后，再点击菜单栏上的开始按钮，刺激呈现模块开始运行；
3.2)每一个试次开始时，刺激呈现模块的显示器屏幕会出现提示语，告知被试者接下来要播放哪一种类型的视频(高兴、中性、或者悲伤)，并让他们保持相应的情绪状态。5秒之后，屏幕上会播放一段长度为30秒的情感视频，被试者根据视频内容保持相应的情绪，但被要求不能有面部表情和肢体动作，以免产生肌肉运动干扰脑电信号。每个视频播放完成后，被试者需要平静自己的情绪状态，随后手动按下空格键开始下一个试次的训练。完成全部30个试次之后，关闭采集模块的记录；
3.3)数据处理模块采用滤波器对采集的训练数据进行预处理，首先截取每一次视频开始播放后的30秒数据，对应为一个trial。随后我们使用一个滑动窗口对每个trial的数据进行切割，窗口的长度为20秒，滑动间距是2秒。每一个滑动窗口截下的数据段称为一个epoch。对于epoch中的每一个电极通道的数据，我们计算5个频段(Delta频段：1-3Hz,Theta频段：4-7Hz,Alpha频段：8-13Hz,Beta频段：14-30Hz,Gamma频段：31-50Hz)的微分熵(DE)特征。
DE特征的具体计算方法如下：
对于每个数据通道，我们使用短时傅里叶变化(STFT)将信号变化到频率域，随后按照下列公式：
DE＝log(|x(m,fk)|2)
在频率域上分别计算每个频段的信号能量，并将对应的能量值取对数之后就得到了相应的微分熵特征。
对于每一个通道，我们获取了5个频段的微分熵特征，我们再将30个通道的特征合并，得到150维的特征向量。
3.4)特征提取后我们将特征向量送入基于线性核的支持向量机SVM构建情绪分类的分类器，将训练中的高兴、中性、悲伤情绪状态下对应的情绪特征数据构成一个训练集，并将高兴、中性、悲伤情绪状态下对应的特征向量送入上述分类器进行训练，得到基于情绪的分类器模型；而后再次调用上述训练集中三种情绪状态对应的特征向量分别送入训练好的分类器模型，在分类器模型的输出中可以得到每种情绪状态的score值(代表情绪的强弱程度)。我们将三种情绪对应的score值分开，高兴、中性和悲伤对应的score值的个数分别为n1、n2和n3，并对每一类情绪分别选择两个基线，具体方法为：先对于每一类情绪对应的score值从小到大进行排序，记排序后的每个score值的序号为1,2,3…ni，i＝1,2,3，对应高兴、中性和悲伤三种情绪，然后选择序号为ni*50％和ni*95％取整后对应的两个score值作为对应情绪状态score值的两条基线，分别记为L1i和L2i，并利用这两个基线构建一个三级反馈标准，即反馈准则：小于L1i的反馈、大于L1i且小于L2i的反馈、大于L2i的反馈，通过不同的反馈结果，即对应状态的强烈程度，被试者能够更加准确获取自己当前的情绪状态。
4)进行在线情绪调节测试：
4.1)在scutbci.exe的菜单栏上点击设置按钮，选择模式为“在线模式(online)”，设置训练试次，一般为30，同时还可以选择刺激呈现选项(呈现视频刺激，音乐刺激，图片刺激或者不呈现视频刺激)，点击保存后，再点击菜单栏上的开始按钮，刺激呈现模块开始运行。
4.2)每一个任务开始之前，刺激呈现模块的显示器屏幕上会出现提示语，告知被试者接下来要进行哪一种类型的情绪任务(高兴、中性、或者悲伤)，并让他们保持相应的情绪状态。5秒之后，屏幕上会呈现一段长度为60秒的刺激。如果选择了呈现视频刺激，则会播放一段60秒的情感视频，被试者根据视频内容保持相应的情绪；如果选择了不呈现视频刺激，屏幕则会变为空白，并出现一个十字架，被试者需要自己激发相应的情绪。与此同时计算机的显示器屏幕右侧会出现一个反馈界面，包括一个表情图片和三个柱状条，如图4所示，这三个柱状条从左至右依次为红色、绿色和蓝色，分别对应高兴、中性和悲伤情绪，这些柱状条会在在线测试中随时间变化，这三个条中最高的条对应的情绪表情图片将会显示在上方，从图中可见，左边柱子最高，表示当前状态是非常高兴的状态，上面的卡通人物也呈大笑状态，这样设计不仅能够准确反映用户的当前情绪状态，而且能够借助显示器予以呈现，给用户直接在线(同步)观察从而协助用户调节情绪，实现情绪的健康自适应护理。在视频播放20秒之后，每隔两秒数据处理模块将会自动抓取当前时刻之前20秒的电脑数据，即在线测试数据，称为一个时期(epoch)。
4.3)数据处理模块在收到每一个epoch后，会使用与训练模式相同的预处理和特征提取方法，获得这个epoch对应的特征向量。随后利用训练好的分类器模型对这个特征向量进行预测，得到预测标签(即情绪状态)和对应score值，我们将这个score值与相应标签在训练中的两个基线值进行比较，得到反馈准则，即小于L1i的反馈、大于L1i且小于L2i的反馈或大于L2i的反馈，并将其传递给反馈呈现模块；反馈呈现模块在计算机的显示器中将其显示出来；具体的显示方式为：给出相应情绪分类结果的表情图片，如果输出的score值是小于L1i的反馈时，情绪分类结果对应的柱状条会增高一个刻度，如果是大于L1i且小于L2i的反馈时，情绪分类结果对应的柱状条会增高两个刻度，如果是大于L2i的反馈时，情绪分类结果对应的柱状条会增高三个刻度；最后，被试者能够根据柱状条的变化情况了解当前自己的情绪状态，判断自己是否处于目标情绪中，进而改变自己的情绪保持和激发策略。
综上所述，对比其它情绪调节方式，本发明系统采用电生理信号提供神经反馈，让被试者实时了解自己的情绪状态，采用适当的调节策略。另外，本发明系统基于电生理信号构建了情绪状态的判别，这种方式相比传统的主观量表评估方法更加客观准确，能够精准反映被试者的真实情感状态。总之，本发明系统为健康人保持良好情绪状态，以及为各类情感障碍患者提供有效情感治疗提供了有效的情感调节方式，存在潜在的临床价值和社会价值，值得推广。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (9)
1.情绪监测的情绪建模方法，其特征在于：首先，拾取训练的情绪信号，再依次进行滤波预处理和微分熵特征提取，得到相应的特征向量；然后将特征向量通过基于线性核的支持向量机SVM构建情绪分类的分类器，将训练中的高兴、中性、悲伤情绪状态下对应的情绪特征数据构成一个训练集，并将高兴、中性、悲伤情绪状态下对应的特征向量送入上述分类器进行训练，得到基于情绪的分类器模型；最后，再次调用上述训练集中三种情绪状态对应的特征向量分别送入训练好的分类器模型，在分类器模型的输出中得到每种情绪状态的score值，并基于score值构建反馈准则，用于帮助用户有效地改变自己的情绪调节策略，达到情绪调节的有用效果；其中，所述score值代表情绪的强弱程度；
对训练的情绪信号进行滤波预处理和微分熵特征提取的操作如下：
对于训练的情绪信号，称为训练数据，该训练数据经过10阶最小相位有限冲击响应带通滤波器滤波，滤波带宽为0.1–70Hz，以及限波滤波器，限制频率为50Hz；对于训练数据的每一个数据段，采用滑动窗口的方式将其切割成时间窗口为20秒的小窗，滑动间隔为2秒；对于每一个小窗，提取30个通道在5个频率段：①Delta频段：1-3Hz，②Theta频段：4-7Hz，③Alpha频段：8-13Hz，④Beta频段：14-30Hz，⑤Gamma频段：31-50Hz内的微分熵特征，即DE特征，共得到150维的特征向量；其中，微分熵特征的具体计算方法如下：
对于每个数据通道，使用短时傅里叶变化将信号变化到时频域，随后按照下列公式：
DE＝log(|x(m,fk)|2)
式中，m为对应时间段序号，fk为对应频率的组合，函数x(m,fk)表示在m时间段及fk对应频率的组合下的频谱值；在频率域上分别计算每个频段的信号能量，并将对应的能量值取对数之后就得到了相应的微分熵特征；
所述分类器模型用于对高兴、中性和悲伤三种情绪特征数据进行情绪分类，并输出代表情绪强弱程度的score值；将三种情绪对应的score值分开，高兴、中性和悲伤对应的score值的个数分别为n1、n2和n3，并对每一类情绪分别选择两个基线，具体方法为：先对于每一类情绪对应的score值从小到大进行排序，记排序后的每个score值的序号为1,2,3…ni，i＝1,2,3，对应高兴、中性和悲伤三种情绪，然后选择序号为ni*50％和ni*95％取整后对应的两个score值作为对应情绪状态score值的两条基线，分别记为L1i和L2i，并利用这两个基线构建一个三级反馈标准，即反馈准则：小于L1i的反馈、大于L1i且小于L2i的反馈、大于L2i的反馈，通过不同的反馈结果，即对应状态的强烈程度，被试者能够更加准确获取自己当前的情绪状态。
2.根据权利要求1所述的情绪监测的情绪建模方法，其特征在于，通过呈现带有情感内容的模板来诱发用户的情绪，进而拾取训练的情绪信号；其中，所述模板包括以屏显方式呈现的视频式样或以声音方式呈现的语音或它们的组合。
3.根据权利要求2所述的情绪监测的情绪建模方法，其特征在于，呈现每个模板前，首先提示用户后续特定时间内需要保持在高兴、中性或者悲伤中的何种情绪状态，让用户调节自己的情绪至对应的状态，持续时间3～10秒；每个模板呈现结束后，给予用户适当时间休息。
4.根据权利要求2所述的情绪监测的情绪建模方法，其特征在于，训练的情绪信号为用户的脑电情绪信号。
5.情绪监测调节系统，其特征在于，所述系统用到权利要求1至4中任一项所述的情绪建模方法，其包括：
刺激呈现模块，用于传递刺激用的模板，通过呈现带有情感内容的所述模板来诱发用户的情绪；
采集模块，用于采集并记录用户的情绪信号，采集的情绪信号被标定为训练数据和在线测试数据，其中，训练数据被记录并保存在计算机中，并能够被数据处理模块读取，在线测试数据则被实时传输到数据处理模块；
数据处理模块，用于对所述采集模块采集的情绪信号进行处理，包括对记录的训练数据进行读取和对在线测试数据进行实时获取；随后分别对训练数据和在线测试数据进行特征提取得到相应的特征向量，其中，所述训练数据得到的特征向量用来构建基于情绪的分类器模型和反馈准则，而所述在线测试数据得到的特征向量则通过所述分类器模型和反馈准则获取处理结果，并用于在线情绪状态反馈；
反馈呈现模块，用于呈现所述数据处理模块处理后的结果，即反馈用户当前情绪状态，给用户直接在线观察从而协助用户调节情绪，主要形成与用户之间的互动。
6.根据权利要求5所述的情绪监测调节系统，其特征在于，所述刺激呈现模块包括用于屏显的显示器，通过VGA连接线与安装有数据处理模块的计算机连接；所述刺激呈现模块在呈现每个模板前，首先提示用户后续特定时间内需要保持在高兴、中性或者悲伤中的何种情绪状态，让用户调节自己的情绪至对应的状态，持续时间3～10秒；每个模板呈现结束后，给予用户适当时间休息；所述模板包括以屏显方式呈现的视频式样或以声音方式呈现的语音或它们的组合。
7.根据权利要求5所述的情绪监测调节系统，其特征在于，所述采集模块采集用户的脑电情绪信号，并通过USB数据连接线和并口线与安装有数据处理模块的计算机连接；所述采集模块采用脑电放大器和32通道的EEG电极帽来记录头皮脑电信号，并将脑电信号传输给数据处理模块；其中，所有通道的脑电信号均以右耳突为参照，在脑电采集过程中，所有电极的阻抗值皆为5KΩ以下，且脑电信号以250Hz的频率采样，并在0.1至70Hz的范围内进行带通滤波；信号采集时，先让被试者坐于刺激端显示器前，与刺激呈现模块的显示器距离为40-50cm，显示器高度调至平视水平，给被试者佩戴EEG电极帽，用平口针筒将电极膏注入电极帽嵌入式电极，电极膏注入完毕，给被试者佩戴耳机，每名被试者需要进行两段脑电数据的采集，一段是训练数据采集，另一段是在线测试数据采集。
8.根据权利要求5所述的情绪监测调节系统，其特征在于，构建基于情绪的分类器模型方法如下：
首先，读取计算机中记录好的训练数据，随后进行滤波预处理后，再进行微分熵特征提取，得到相应的特征向量；然后将特征向量通过基于线性核的支持向量机SVM构建情绪分类的分类器，将训练中的高兴、中性、悲伤情绪状态下对应的情绪特征数据构成一个训练集，并将高兴、中性、悲伤情绪状态下对应的特征向量送入上述分类器进行训练，得到基于情绪的分类器模型；而后再次调用上述训练集中三种情绪状态对应的特征向量分别送入训练好的分类器模型，在分类器模型的输出中能够得到每种情绪状态的score值，并基于score值构建反馈准则，用于帮助用户有效地改变自己的情绪调节策略，达到情绪调节的有用效果；其中，所述score值代表情绪的强弱程度；
对于在线测试数据的处理方法如下：
首先，对在线测试数据进行实时获取，随后进行滤波预处理后，再进行微分熵特征提取，得到相应的特征向量；然后将特征向量送入上述训练好的分类器模型中，得到相应的情绪分类结果和对应的score值，并将这个结果传递给反馈呈现模块；
对训练数据和在线测试数据进行滤波预处理和微分熵特征提取的操作如下：
对于训练数据和在线测试数据，经过10阶最小相位有限冲击响应带通滤波器滤波，滤波带宽为0.1–70Hz，以及限波滤波器，限制频率为50Hz；对于训练数据和在线测试数据的每一个数据段，采用滑动窗口的方式将其切割成时间窗口为20秒的小窗，滑动间隔为2秒；对于每一个小窗，提取30个通道在5个频率段：①Delta频段：1-3Hz，②Theta频段：4-7Hz，③Alpha频段：8-13Hz，④Beta频段：14-30Hz，⑤Gamma频段：31-50Hz内的微分熵特征，即DE特征，共得到150维的特征向量；其中，微分熵特征的具体计算方法如下：
对于每个数据通道，使用短时傅里叶变化将信号变化到时频域，随后按照下列公式：
DE＝log(|x(m，fk)|2)
式中，m为对应时间段序号，fk为对应频率的组合，函数x(m,fk)表示在m时间段及fk对应频率的组合下的频谱值；在频率域上分别计算每个频段的信号能量，并将对应的能量值取对数之后就得到了相应的微分熵特征。
9.根据权利要求5所述的情绪监测调节系统，其特征在于，所述反馈呈现模块是通过视觉反馈的方式，显示在计算机的显示器的右侧，反馈的内容包含一个表情图片和三个彩色的柱状条，从左到右分别为红色、绿色和蓝色，这三个柱状条分别用来呈现高兴、中性和悲伤情绪的反馈结果，每个柱状条标有多个刻度，在测试任务开始时，所有的柱状条高度均为0，进行在线测试任务的过程中，每当有在线测试数据被接受处理后，所述数据处理模块会给出对应的情绪分类结果和score值，并向反馈呈现模块传递相应的反馈准则，在计算机的显示器中将其显示出来，具体的显示方式为：给出相应情绪分类结果的表情图片，如果输出的score值是小于L1i的反馈时，情绪分类结果对应的柱状条会增高一个刻度，如果是大于L1i且小于L2i的反馈时，情绪分类结果对应的柱状条会增高两个刻度，如果是大于L2i的反馈时，情绪分类结果对应的柱状条会增高三个刻度；最后，被试者能够根据柱状条的变化情况了解当前自己的情绪状态，判断自己是否处于目标情绪中，进而改变自己的情绪保持和激发策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011038628.2A CN112163518B (zh) | 2020-09-28 | 2020-09-28 | 情绪监测的情绪建模方法及情绪监测调节系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011038628.2A CN112163518B (zh) | 2020-09-28 | 2020-09-28 | 情绪监测的情绪建模方法及情绪监测调节系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112163518A CN112163518A (zh) | 2021-01-01 |
| CN112163518B true CN112163518B (zh) | 2023-07-18 |
Family
ID=73861767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011038628.2A Active CN112163518B (zh) | 2020-09-28 | 2020-09-28 | 情绪监测的情绪建模方法及情绪监测调节系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112163518B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113576479A (zh) * | 2021-07-01 | 2021-11-02 | 电子科技大学 | 一种基于脑电的情绪检测与调节系统 |
| CN113521484B (zh) * | 2021-08-20 | 2023-03-28 | 华东师范大学 | 神经反馈训练系统 |
| CN114052735B (zh) * | 2021-11-26 | 2023-05-23 | 山东大学 | 一种基于深度领域自适应的脑电情绪识别方法及系统 |
| CN114640699B (zh) * | 2022-02-17 | 2023-06-20 | 华南理工大学 | 基于vr角色扮演游戏交互的情绪诱发监测系统 |
| CN114469095A (zh) * | 2022-04-19 | 2022-05-13 | 之江实验室 | 基于脑电非线性特征的注意偏向训练效果评估方法及系统 |
| CN116127366B (zh) * | 2023-04-17 | 2023-06-20 | 深圳市齐奥通信技术有限公司 | 一种基于tws耳机的情绪识别方法、系统及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103690165A (zh) * | 2013-12-12 | 2014-04-02 | 天津大学 | 一种跨诱发模式情绪脑电识别建模方法 |
| CN110826527A (zh) * | 2019-11-20 | 2020-02-21 | 南京邮电大学 | 一种基于攻击性行为预测的脑电负性情绪识别方法及系统 |
| CN111184509A (zh) * | 2019-11-29 | 2020-05-22 | 杭州电子科技大学 | 一种基于传递熵的情绪诱导脑电信号分类方法 |
| CN111671445A (zh) * | 2020-04-20 | 2020-09-18 | 广东食品药品职业学院 | 一种意识障碍程度分析方法 |
-
2020
- 2020-09-28 CN CN202011038628.2A patent/CN112163518B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103690165A (zh) * | 2013-12-12 | 2014-04-02 | 天津大学 | 一种跨诱发模式情绪脑电识别建模方法 |
| CN110826527A (zh) * | 2019-11-20 | 2020-02-21 | 南京邮电大学 | 一种基于攻击性行为预测的脑电负性情绪识别方法及系统 |
| CN111184509A (zh) * | 2019-11-29 | 2020-05-22 | 杭州电子科技大学 | 一种基于传递熵的情绪诱导脑电信号分类方法 |
| CN111671445A (zh) * | 2020-04-20 | 2020-09-18 | 广东食品药品职业学院 | 一种意识障碍程度分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112163518A (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112163518B (zh) | 情绪监测的情绪建模方法及情绪监测调节系统 | |
| CN110765920B (zh) | 基于卷积神经网络的运动想象分类方法 | |
| CN111544015B (zh) | 基于认知力的操控工效分析方法、设备及系统 | |
| CN107463792B (zh) | 神经反馈装置、系统及方法 | |
| CN106407733A (zh) | 基于虚拟现实场景脑电信号的抑郁症风险筛查系统和方法 | |
| CN111598451B (zh) | 基于任务执行能力的操控工效分析方法、设备及系统 | |
| CN111553617B (zh) | 基于虚拟场景中认知力的操控工效分析方法、设备及系统 | |
| Schaaff et al. | Towards an EEG-based emotion recognizer for humanoid robots | |
| CN111598453B (zh) | 基于虚拟场景中执行力的操控工效分析方法、设备及系统 | |
| CN111553618B (zh) | 操控工效分析方法、设备及系统 | |
| CN113143208B (zh) | 基于多维度测量的疼痛敏感性评估系统和方法 | |
| CN114640699B (zh) | 基于vr角色扮演游戏交互的情绪诱发监测系统 | |
| CN111000556A (zh) | 一种基于深度模糊森林的情绪识别方法 | |
| CN115376695A (zh) | 基于扩展现实的神经心理评估及干预的方法、系统和装置 | |
| CN107669266A (zh) | 一种动物脑电分析系统 | |
| KR20160031187A (ko) | 뉴로피드백을 활용한 심리 케어 시스템 | |
| CN113576496A (zh) | 视觉追踪的脑机接口检测系统 | |
| CN114756121A (zh) | 基于脑机接口的虚拟现实可交互式情绪检测与调控系统 | |
| US11914773B2 (en) | Brain-machine interface based intention determination device and method using virtual environment | |
| CN107510451B (zh) | 一种基于脑干听觉诱发电位的音高感知能力客观评估方法 | |
| CN109567936A (zh) | 一种基于听觉注意和多焦电生理的脑机接口系统和实现方法 | |
| WO2020139108A1 (ru) | Способ проведения когнитивных исследований с использованием системы нейровизуализации и механизма обратной связи | |
| CN115690528A (zh) | 跨主体场景的脑电信号美学评估处理方法、装置、介质及终端 | |
| CN112687373A (zh) | 一种心理渴求度的量化系统及其方法 | |
| CN114504317B (zh) | 一种基于脑电网络的情绪实时监测系统 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231207 Address after: 510000 unit 03-04, 6 / F, building a, office building, 68 helix Avenue, Guangzhou International Biological Island, Huangpu District, Guangzhou, Guangdong Province (office only) Patentee after: South China Brain Control (Guangdong) Intelligent Technology Co.,Ltd. Address before: 510640 No. five, 381 mountain road, Guangzhou, Guangdong, Tianhe District Patentee before: SOUTH CHINA University OF TECHNOLOGY Patentee before: South China Brain Control (Guangdong) Intelligent Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |