CN112270235A - 一种改进的svm脑电信号情绪识别方法 - Google Patents
一种改进的svm脑电信号情绪识别方法 Download PDFInfo
- Publication number
- CN112270235A CN112270235A CN202011125499.0A CN202011125499A CN112270235A CN 112270235 A CN112270235 A CN 112270235A CN 202011125499 A CN202011125499 A CN 202011125499A CN 112270235 A CN112270235 A CN 112270235A
- Authority
- CN
- China
- Prior art keywords
- svm
- recognition method
- particle
- emotion recognition
- improved
- 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 26
- 230000008909 emotion recognition Effects 0.000 title claims abstract description 23
- 230000002996 emotional effect Effects 0.000 claims abstract description 13
- 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 8
- 230000008451 emotion Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 16
- 210000004556 brain Anatomy 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 210000001652 frontal lobe Anatomy 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 210000000869 occipital lobe Anatomy 0.000 claims description 3
- 210000001152 parietal lobe Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 210000003478 temporal lobe Anatomy 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000037007 arousal Effects 0.000 abstract description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种改进的SVM脑电信号情绪识别方法,具体按照以下步骤实施:步骤1、对DEAP数据库进行预处理;步骤2、提取情绪特征;步骤3、用PSO‑SVM分类器对提取的情绪特征数据进行分类。实验结果表明采用PSO‑SVM算法对效价与唤醒度的情绪二分类平均正确率分别为60.53%与65.66%,且比起传统的SVM准确率分别提升了5.05%和1.85%,均优于传统SVM算法,有效验证了PSO‑SVM算法能够较好的识别准确率。
Description
技术领域
本发明属于信号处理技术领域,涉及一种改进的SVM脑电信号情绪识别方法。
背景技术
基于脑电信号的情绪识别是通过获取人的生理和非生理信号对人的情绪状态进行识别,根据国际“10-20”系统分布在整个头皮上的16、32、64或128通道来获取脑电信号,对所采集到的脑电信号进行预处理并进行特征提取,将处理好的数据输入SVM分类模型进行检验。由于传统的SVM模型的参数c和g需要依靠建模人员的经验来选取,所以其模型的分类性能具有较大的随机性。
发明内容
本发明的目的是提供一种改进的SVM脑电信号情绪识别方法,具有取得SVM模型的最优参数c和gamma,从而提高识别的准确率的特点。
本发明所采用的技术方案是,一种改进的SVM脑电信号情绪识别方法,具体按照以下步骤实施:
步骤1、对DEAP数据库进行预处理;
步骤2、提取情绪特征;
步骤3、用PSO-SVM分类器对提取的情绪特征数据进行分类。
步骤1中DEAP数据库进行预处理包括:对实验数据进行采样和去除噪声,采样频率为128Hz。
步骤1中的数据库包含了32个测试对象,其中16名男性和16名女性;分别在大脑的额叶、顶叶、枕叶和颞叶四个区域用32个传感器,采集实验者分别看40段视频时的信号,每个视频时间为60s;对于每个被试对象,有两个数组记录它们脑电图信号及相应情绪状态。
两组数据中,第一个数组的格式为40*32*60,其中含义是40次实验视频、32个脑电信号通道、每次实验60s;另一个数组表示在看音乐视频的时被试对象所对应的四种情绪状态的等级。
四种情绪状态包括:
效价,范围1-9;从不快乐或悲伤到快乐或喜悦,一般阈值设为5;
唤醒,范围1-9;从平静或无聊到刺激或兴奋;
支配性,范围1-9;从顺从或没有控制到支配性或有控制;
喜好度,喜欢或不喜欢。
步骤2具体为:
步骤2.1、选用母小波Daubechies5进行提取;
步骤2.2、计算小波变换的系数,公式为:
式中,2jk和2j分别为时间局部化和尺度,而Ψa.b为母小波函数,三个特征的计算都使用了DWT系数;
步骤2.3、计算相对小波能量,公式为:
Cj(k)表示细节系数,分子表示细节小波能量,分母为总小波能量,概率Pj是输入数据的时间尺度;
步骤2.4、计算相对小波熵,公式为:
变量qj是参考分布,给出更准确的pj值,相对小波熵反应了两种概率之间的相似性;
步骤2.5、将信号的时域信息和频域信息组合,公式为:
λ=Ca.b·σ2 (4)
Ca.b是相对小波系数,σ2代表标准差,λ为时域信息和频域信息的组合。
步骤3具体为:
采用粒子群优化SVM算法具体步骤如下
步骤3.1、初始化所有粒子,初始化粒子的速度和位置,并且将个体的历史最优pbest设为当前位置,而群体中最优的个体作为当前的gbest;
步骤3.2、每一轮的进化中,计算各个粒子的适应度函数值;
步骤3.3、如果该粒子当前的适应度函数值优于历史最优值,那么替代历史最优值;
步骤3.4、如果该粒子的个体最优优于全局最优值,那么替代全局最优值;
步骤3.5、对于每个粒子i的第d维的速度和位置分别按照下面公式(5)(6)进行更新;
粒子i的第d维速度更新公式:
粒子i的第d维位置更新公式:
步骤3.6、判断是否达到最大迭代次数,如果没有继续步骤3.2,否则输出gbest并结束;
步骤3.7、用训练好的c和gamma训练SVM;
步骤3.8、对测试集进行预测,计算分类准确率。
步骤3中三次交叉验证得到的准确率作为目标函数,c和gamma作为约束变量进行优化,初始的种群数位100,最大迭代次数为10次,变量的范围是15-0.001,学习因子和社会因子均为2,权重设置为ωini=0.9,ωend=0.4。
本发明的有益效果是:
本发明基于SVM算法提出改进的PSO-SVM脑电信号情绪识别方法,实验结果表明采用PSO-SVM算法对效价与唤醒度的情绪二分类平均正确率分别为60.53%与65.66%,且比起传统的SVM准确率分别提升了5.05%和1.85%,均优于传统SVM算法,有效验证了PSO-SVM算法能够较好的识别准确率。
附图说明
图1是本发明改进的SVM脑电信号情绪识别方法中PSO-SVM算法流程图;
图2是本发明改进的SVM脑电信号情绪识别方法中第2名被试者唤醒度第6通道优化图;
图3是本发明改进的SVM脑电信号情绪识别方法中32位SVM与PSO-SVM效价平均准确率对比图;
图4是本发明改进的SVM脑电信号情绪识别方法中32位SVM与PSO-SVM唤醒度平均准确率对比图;
表1是本发明改进的SVM脑电信号情绪识别方法中32位被试者平均识别正确率。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,一种改进的SVM脑电信号情绪识别方法,具体按照以下步骤实施:
步骤1、对DEAP数据库进行预处理;
步骤2、提取情绪特征;
步骤3、用PSO-SVM分类器对提取的情绪特征数据进行分类。
步骤1中DEAP数据库进行预处理包括:对实验数据进行采样和去除噪声,采样频率为128Hz。
步骤1中的数据库包含了32个测试对象,其中16名男性和16名女性;分别在大脑的额叶、顶叶、枕叶和颞叶四个区域用32个传感器,采集实验者分别看40段视频时的信号,每个视频时间为60s;对于每个被试对象,有两个数组记录它们脑电图信号及相应情绪状态。
两组数据中,第一个数组的格式为40*32*60,其中含义是40次实验视频、32个脑电信号通道、每次实验60s;另一个数组表示在看音乐视频的时被试对象所对应的四种情绪状态的等级。
四种情绪状态包括:
效价,范围1-9;从不快乐或悲伤到快乐或喜悦,一般阈值设为5;
唤醒,范围1-9;从平静或无聊到刺激或兴奋;
支配性,范围1-9;从顺从或没有控制到支配性或有控制;
喜好度,喜欢或不喜欢。
心理学研究表明人的情绪与四个频带有关,分别是alpha、beta、gamma和delta。小波分析是一种时间和尺度上的局部分析方法,它对信号具有自适应性,步骤2具体为:
步骤2.1、选用母小波Daubechies5进行提取;
步骤2.2、计算小波变换的系数,公式为:
式中,2jk和2j分别为时间局部化和尺度,而Ψa.b为母小波函数,三个特征的计算都使用了DWT系数;
步骤2.3、计算相对小波能量,公式为:
Cj(k)表示细节系数,分子表示细节小波能量,分母为总小波能量,概率Pj是输入数据的时间尺度;
步骤2.4、计算相对小波熵,公式为:
变量qj是参考分布,给出更准确的pj值,相对小波熵反应了两种概率之间的相似性;
步骤2.5、将信号的时域信息和频域信息组合,公式为:
λ=Ca.b·σ2 (4)
Ca.b是相对小波系数,σ2代表标准差,λ为时域信息和频域信息的组合。
步骤3具体为:
采用粒子群优化SVM算法具体步骤如下
步骤3.1、初始化所有粒子,初始化粒子的速度和位置,并且将个体的历史最优pbest设为当前位置,而群体中最优的个体作为当前的gbest;
步骤3.2、每一轮的进化中,计算各个粒子的适应度函数值;
步骤3.3、如果该粒子当前的适应度函数值优于历史最优值,那么替代历史最优值;
步骤3.4、如果该粒子的个体最优优于全局最优值,那么替代全局最优值;
步骤3.5、对于每个粒子i的第d维的速度和位置分别按照下面公式(5)(6)进行更新;
粒子i的第d维速度更新公式:
粒子i的第d维位置更新公式:
步骤3.6、判断是否达到最大迭代次数,如果没有继续步骤3.2,否则输出gbest并结束;
步骤3.7、用训练好的c和gamma训练SVM;
步骤3.8、对测试集进行预测,计算分类准确率。
步骤3中三次交叉验证得到的准确率作为目标函数,c和gamma作为约束变量进行优化,初始的种群数位100,最大迭代次数为10次,变量的范围是15-0.001,学习因子和社会因子均为2,权重设置为ωini=0.9,ωend=0.4。
在SVM分类模型中参数c和gamma均是由实验人员的经验所决定,同时与所处理的数据对象有关,故具有很高的不确定性。因此选择更符合数据特点的参数能够实现更准确的预测。粒子群算法是一种用位置和速度来实现优化的并行全局搜索算法,具有收敛速度快和设置参数少的优点。下面是算法的具体介绍:
原理介绍
在D维空间中,有N个粒子:
粒子i位置:Xi=(Xi1,Xi2,…Xid),将Xi代入适应函数f(xi)求适应值。
粒子i速度:Vi=(Vi1,Vi2,…Vid)
粒子i个体经历最好的位置:pbesti=(pi1,pi2,…piD)
种群所经历的过的最好位置:gbesti=(g1,g2,…gD)
通常,在第d(1≤d≤D)维的位置变化范围限定在[Xmax,d,Vmax,d]内,速度变化范围限定在[-Vmax,d,Vmax,d]内(即在迭代中若Vid、Xid超出了边界值,则该维的速度或位置被限制为该维最大速度或边界位置)。
粒子i的第d为速度更新公式:
粒子速度更新公式包含三部分:
第一部分是粒子先前的速度,第二部分是“认知部分”,表示粒子本身的思考,可理解为粒子i当前位置与自己最好位置之间的距离。第三部分是“社会部分”,表示粒子间的信息共享与合作,可理解为粒子i当前位置与群体最好位置之间的距离。
粒子i的第d维位置更新公式:
其中,为第k次迭代粒子i飞行速度矢量的第d维分量;为第k次迭代粒子i位置矢量的第d维分量;c1、c2为加速度常量,调节学习步长;r1、r2是两个随机函数,取值范围[0,1]以增加随机性;ω是惯性权重,调节对解空间的搜索范围。
为了使惯性权重能有更好的寻优结果,动态ω可在PSO-SVM搜索过程中线性变化,目前采用较多的是线性递减权值(Linearly Decreasing Weight,LDW)策略。其公式如下:
ω(t)=(ωini-ωend)(Gk-g)/Gk+ωend (7)
Gk:最大迭代次数
ωini:初始惯性权重
ωend:迭代至最大进化代数时的惯性权重。
使用DEAP脑电数据库进行验证,对信号进行预处理后提取信号的三种特征分别是:相对小波能量、相对小波熵、以及标准差与相对小波系数的乘积。首先用SVM分类模型进行实验,选用的核函数为高斯核函数参数和gamma都是默认数值。其次采用粒子群算法对SVM分类模型的参数进行优化,如图2所示为优化某一通道的结果在第2代就到了最优,优化的结果准确提高了1.4%。图3和图4分别为优化32被试者的32通道数据进行平均之后的对比图,可以看出通过优化之后准确率得到了明显提升,验证了PSO-SVM算法的优化的有效性。
表1
SVM为传统模型,PSO-SVM是用粒子群优化SVM的模型。效价平均识别正确率是指32名被试者在观看40个视频的效价平均正确率,唤醒度同理。从表中可以看出改进之后的模型的准确率在效价轴比原模型高5.05%,在唤醒度轴比原模型高1.85%。
本发明基于SVM算法提出改进的PSO-SVM脑电信号情绪识别方法,实验结果表明采用PSO-SVM算法对效价与唤醒度的情绪二分类平均正确率分别为60.53%与65.66%,且比起传统的SVM准确率分别提升了5.05%和1.85%,均优于传统SVM算法,有效验证了PSO-SVM算法能够较好的识别准确率。
Claims (8)
1.一种改进的SVM脑电信号情绪识别方法,其特征在于,具体按照以下步骤实施:
步骤1、对DEAP数据库进行预处理;
步骤2、提取情绪特征;
步骤3、用PSO-SVM分类器对提取的情绪特征数据进行分类。
2.根据权利要求1所述的一种改进的SVM脑电信号情绪识别方法,其特征在于,所述步骤1中DEAP数据库进行预处理包括:对实验数据进行采样和去除噪声,采样频率为128Hz。
3.根据权利要求2所述的一种改进的SVM脑电信号情绪识别方法,其特征在于,所述步骤1中的数据库包含了32个测试对象,其中16名男性和16名女性;分别在大脑的额叶、顶叶、枕叶和颞叶四个区域用32个传感器,采集实验者分别看40段视频时的信号,每个视频时间为60s;对于每个被试对象,有两个数组记录它们脑电图信号及相应情绪状态。
4.根据权利要求3所述的一种改进的SVM脑电信号情绪识别方法,其特征在于,所述两组数据中,第一个数组的格式为40*32*60,其中含义是40次实验视频、32个脑电信号通道、每次实验60s;另一个数组表示在看音乐视频的时被试对象所对应的四种情绪状态的等级。
5.根据权利要求3所述的一种改进的SVM脑电信号情绪识别方法,其特征在于,所述四种情绪状态包括:
效价,范围1-9;从不快乐或悲伤到快乐或喜悦,一般阈值设为5;
唤醒,范围1-9;从平静或无聊到刺激或兴奋;
支配性,范围1-9;从顺从或没有控制到支配性或有控制;
喜好度,喜欢或不喜欢。
6.根据权利要求1所述的一种改进的SVM脑电信号情绪识别方法,其特征在于,所述步骤2具体为:
步骤2.1、选用母小波Daubechies5进行提取;
步骤2.2、计算小波变换的系数,公式为:
式中,2jk和2j分别为时间局部化和尺度,而Ψa.b为母小波函数,三个特征的计算都使用了DWT系数;
步骤2.3、计算相对小波能量,公式为:
Cj(k)表示细节系数,分子表示细节小波能量,分母为总小波能量,概率Pj是输入数据的时间尺度;
步骤2.4、计算相对小波熵,公式为:
变量qj是参考分布,给出更准确的pj值,相对小波熵反应了两种概率之间的相似性;
步骤2.5、将信号的时域信息和频域信息组合,公式为:
λ=Ca.b·σ2 (4)
Ca.b是相对小波系数,σ2代表标准差,λ为时域信息和频域信息的组合。
7.根据权利要求1所述的一种改进的SVM脑电信号情绪识别方法,其特征在于,所述步骤3具体为:
采用粒子群优化SVM算法具体步骤如下
步骤3.1、初始化所有粒子,初始化粒子的速度和位置,并且将个体的历史最优pbest设为当前位置,而群体中最优的个体作为当前的gbest;
步骤3.2、每一轮的进化中,计算各个粒子的适应度函数值;
步骤3.3、如果该粒子当前的适应度函数值优于历史最优值,那么替代历史最优值;
步骤3.4、如果该粒子的个体最优优于全局最优值,那么替代全局最优值;
步骤3.5、对于每个粒子i的第d维的速度和位置分别按照下面公式(5)(6)进行更新;
粒子i的第d维速度更新公式:
粒子i的第d维位置更新公式:
步骤3.6、判断是否达到最大迭代次数,如果没有继续步骤3.2,否则输出gbest并结束;
步骤3.7、用训练好的c和gamma训练SVM;
步骤3.8、对测试集进行预测,计算分类准确率。
8.根据权利要求7所述的一种改进的SVM脑电信号情绪识别方法,其特征在于,所述步骤3中三次交叉验证得到的准确率作为目标函数,c和gamma作为约束变量进行优化,初始的种群数位100,最大迭代次数为10次,变量的范围是15-0.001,学习因子和社会因子均为2,权重设置为ωini=0.9,ωend=0.4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011125499.0A CN112270235A (zh) | 2020-10-20 | 2020-10-20 | 一种改进的svm脑电信号情绪识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011125499.0A CN112270235A (zh) | 2020-10-20 | 2020-10-20 | 一种改进的svm脑电信号情绪识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112270235A true CN112270235A (zh) | 2021-01-26 |
Family
ID=74341591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011125499.0A Pending CN112270235A (zh) | 2020-10-20 | 2020-10-20 | 一种改进的svm脑电信号情绪识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270235A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073797A (zh) * | 2011-02-23 | 2011-05-25 | 江南大学 | 基于pso和svm混合算法识别太湖入湖河流水质主要影响因素的分析方法 |
CN102715911A (zh) * | 2012-06-15 | 2012-10-10 | 天津大学 | 基于脑电特征的情绪状态识别方法 |
CN105740887A (zh) * | 2016-01-26 | 2016-07-06 | 杭州电子科技大学 | 一种基于pso-svm的脑电信号特征分类方法 |
CN107157477A (zh) * | 2017-05-24 | 2017-09-15 | 上海交通大学 | 脑电信号特征识别系统及方法 |
CN107280663A (zh) * | 2017-07-07 | 2017-10-24 | 南京邮电大学 | 一种基于不同实验难度的疲劳脑电特征研究的方法 |
CN107714037A (zh) * | 2017-10-12 | 2018-02-23 | 西安科技大学 | 一种基于脑机接口矿用头盔的矿工疲劳识别方法 |
CN108042145A (zh) * | 2017-11-28 | 2018-05-18 | 广州视源电子科技股份有限公司 | 情绪状态识别方法和系统、情绪状态识别设备 |
CN110244852A (zh) * | 2019-06-19 | 2019-09-17 | 河北工业大学 | 一种大脑情绪控制器控制参数整定方法 |
CN110464366A (zh) * | 2019-07-01 | 2019-11-19 | 华南师范大学 | 一种情绪识别方法、系统及存储介质 |
CN110742602A (zh) * | 2019-10-15 | 2020-02-04 | 武汉理工大学 | 一种基于脑电与车辆行驶数据的激进驾驶状态识别方法 |
CN110881975A (zh) * | 2019-12-24 | 2020-03-17 | 山东中科先进技术研究院有限公司 | 一种基于脑电信号的情感识别方法及系统 |
CN111134667A (zh) * | 2020-01-19 | 2020-05-12 | 中国人民解放军战略支援部队信息工程大学 | 基于脑电信号的时间迁移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 |
-
2020
- 2020-10-20 CN CN202011125499.0A patent/CN112270235A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073797A (zh) * | 2011-02-23 | 2011-05-25 | 江南大学 | 基于pso和svm混合算法识别太湖入湖河流水质主要影响因素的分析方法 |
CN102715911A (zh) * | 2012-06-15 | 2012-10-10 | 天津大学 | 基于脑电特征的情绪状态识别方法 |
CN105740887A (zh) * | 2016-01-26 | 2016-07-06 | 杭州电子科技大学 | 一种基于pso-svm的脑电信号特征分类方法 |
CN107157477A (zh) * | 2017-05-24 | 2017-09-15 | 上海交通大学 | 脑电信号特征识别系统及方法 |
CN107280663A (zh) * | 2017-07-07 | 2017-10-24 | 南京邮电大学 | 一种基于不同实验难度的疲劳脑电特征研究的方法 |
CN107714037A (zh) * | 2017-10-12 | 2018-02-23 | 西安科技大学 | 一种基于脑机接口矿用头盔的矿工疲劳识别方法 |
CN108042145A (zh) * | 2017-11-28 | 2018-05-18 | 广州视源电子科技股份有限公司 | 情绪状态识别方法和系统、情绪状态识别设备 |
CN110244852A (zh) * | 2019-06-19 | 2019-09-17 | 河北工业大学 | 一种大脑情绪控制器控制参数整定方法 |
CN110464366A (zh) * | 2019-07-01 | 2019-11-19 | 华南师范大学 | 一种情绪识别方法、系统及存储介质 |
CN110742602A (zh) * | 2019-10-15 | 2020-02-04 | 武汉理工大学 | 一种基于脑电与车辆行驶数据的激进驾驶状态识别方法 |
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 |
CN110881975A (zh) * | 2019-12-24 | 2020-03-17 | 山东中科先进技术研究院有限公司 | 一种基于脑电信号的情感识别方法及系统 |
CN111134667A (zh) * | 2020-01-19 | 2020-05-12 | 中国人民解放军战略支援部队信息工程大学 | 基于脑电信号的时间迁移情绪识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
李昕等: "《一种改进脑电特征提取算法及其在情感识别中的应用》", 《生物医学工程学》 * |
陈萌等: "《脑电信号与个人情绪状态关联性分析研究》", 《计算机科学与探索》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610168B (zh) | 一种基于注意力机制的脑电情绪识别方法 | |
Zheng | Multichannel EEG-based emotion recognition via group sparse canonical correlation analysis | |
CN109994203B (zh) | 一种基于eeg信号深度多视角特征学习的癫痫检测方法 | |
AU2020100027A4 (en) | Electroencephalogram-based negative emotion recognition method and system for aggressive behavior prediction | |
CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
CN112656427A (zh) | 一种基于维度模型的脑电信号情绪识别方法 | |
CN112800998B (zh) | 融合注意力机制和dmcca的多模态情感识别方法及系统 | |
CN110472649B (zh) | 基于多尺度分析和集成树模型的脑电情感分类方法及系统 | |
CN110897648A (zh) | 基于脑电信号与lstm神经网络模型的情绪识别分类方法 | |
CN111387975B (zh) | 基于机器学习的脑电信号识别方法 | |
CN112200016A (zh) | 基于集成学习方法AdaBoost的脑电信号情感识别 | |
CN110881975A (zh) | 一种基于脑电信号的情感识别方法及系统 | |
CN112450885B (zh) | 一种面向癫痫脑电的识别方法 | |
Hemanth | EEG signal based modified Kohonen neural networks for classification of human mental emotions | |
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 | |
CN112784892A (zh) | 一种脑电运动意图识别方法及系统 | |
Xu et al. | EEG emotion classification based on baseline strategy | |
CN115374812A (zh) | 一种脑电信号的多元特征融合提取的信号特征提取方法 | |
CN114129163B (zh) | 基于脑电信号的多视图深度学习的情绪分析方法和系统 | |
Nguyen et al. | EEG-based person verification using multi-sphere SVDD and UBM | |
Lai et al. | EEG-based biometric close-set identification using CNN-ECOC-SVM | |
CN114403897A (zh) | 一种基于脑电信号的人体疲劳检测方法及系统 | |
Lv et al. | An EEG emotion recognition method based on AdaBoost classifier | |
CN112270235A (zh) | 一种改进的svm脑电信号情绪识别方法 | |
Pramanick et al. | Deep learning based urban sound classification and ambulance siren detector using spectrogram |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210126 |